Дополнительно
Как предсказать входного изображения, используя обученную модель в водоснабжении?
Я'м только начиная с выбранной позиции и машинного обучения в целом.
Я подготовил модель для классификации изображений из 2 классов и спас его с помощью модели.сохранить()`. Вот код, который я использовал:
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
# dimensions of our images.
img_width, img_height = 320, 240
train_data_dir = 'data/train'
validation_data_dir = 'data/validation'
nb_train_samples = 200 #total
nb_validation_samples = 10 # total
epochs = 6
batch_size = 10
if K.image_data_format() == 'channels_first':
input_shape = (3, img_width, img_height)
else:
input_shape = (img_width, img_height, 3)
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
rescale=1. / 255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='binary')
model.fit_generator(
train_generator,
steps_per_epoch=nb_train_samples // batch_size,
epochs=epochs,
validation_data=validation_generator,
validation_steps=5)
model.save('model.h5')
Он успешно тренировался с 0.98 точность это очень хорошо. Чтобы загрузить и проверить эту модель на новые изображения, я использовал ниже код:
from keras.models import load_model
import cv2
import numpy as np
model = load_model('model.h5')
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
img = cv2.imread('test.jpg')
img = cv2.resize(img,(320,240))
img = np.reshape(img,[1,320,240,3])
classes = model.predict_classes(img)
print classes
Он выводит:
[[0]]
Почему бы'т ее выдают фактическое имя класса и почему [[0]]
?
Спасибо заранее.
35
5
Если кто-то все еще пытается делать прогнозы на картинки, вот оптимизированный код для загрузки сохраненной модели и делать прогнозы:
керрас predict_classes (документы) выводит массив NumPy прогнозов класс. Что в вашем случае модель, индекс нейрона высшего активации последнего(softmax) слой.
[[0]]
означает, что ваша модель предсказывает, что ваши тестовые данные класса 0. (обычно вы будете проходить несколько изображения, и результат будет выглядеть[[0], [1], [1], [0]]
)Вы должны преобразовать ваш фактический метки (например,
'рака', 'не рак'
) в двоичном кодировании (0
для 'рака',1
для 'не рак') для бинарной классификации. Тогда вы сможете интерпретировать свой выход последовательность[[0]]
как класс'рака'
Вы можете использовать модель
.предсказать ()
, чтобы предсказать класс одного изображения следующим образом [доктор]:В этом примере, образ загружается в пакете numpy массив с формы
(1, высота, ширина, каналы)
. Затем, загружаем его в модели и прогнозировать его класса, возвращается в качестве реального значения в диапазоне [0, 1] (бинарной классификации в данном примере).Что's, потому что вы'вновь, как числовое значение, связанное с классом. Например, если у вас есть два класса для кошек и собак, Керрас связать их числовые значения 0 и 1. Чтобы получить соответствие между классами и их числовое значение, вы можете использовать
Теперь вы знаете сопоставление между классами и индексов. Так что теперь вы можете сделать это
если классов[0][0] == 1: предсказание = 'собака' другое: предсказание = 'кошечка'
Пересылка по примеру @ritiek, я'м новичок в МЛ тоже, может быть, такого рода форматирование поможет увидеть имя, а не только номер класса.