iT邦幫忙

2024 iThome 鐵人賽
DAY 6
0
AI/ ML & Data

從0開始的影像辨識之路系列 第 7 篇

Tensorflow-python:圖片分類-4-完整程式總結(Day 6)

16th鐵人賽
353 瀏覽

  • 分享至 

  • xImage
    •  

本次主題是以colab的環境進行學習的，在本篇文章中，我將講解影像辨識的物件追蹤技術，依照進度每個禮拜都會記錄不同的影像辨識方法，基本順序會從:

  1. OpenCV
  2. 圖片分類(Tensorflow-Image classification)
  3. 語意分割(Semantic Segmentation)
  4. 生成模仿圖片(CycleGAN and pix2pix in PyTorch)
  5. 物件辨識(tensorflow object detection)
  6. 額外分享(MediaPipe)

這是這個主題的總集篇，會把前三天分開講解的程式碼合併再一起，方便大家做學習，之後每一篇主題也都會有這樣的總集篇，文章比較長，請見諒!

資料集準備:
本次使用的資料集是我自己拍攝的玩具螺絲螺帽，也就是本地端的資料集，由於是使用colab的關係所以要先把資料集上傳到Google雲端上，方便colab抓取資料集內容。

資料集的資料夾格式如下:

  • train_data
    • Hexagon_1 (你要辨識出來是甚麼東西的名稱)
    • Hexagon_2 (你要辨識出來是甚麼東西的名稱)
    • Triangle_1 (你要辨識出來是甚麼東西的名稱)
    • Triangle_2 (你要辨識出來是甚麼東西的名稱)

如圖:
資料夾內容:

Hexagon_1等資料夾裡面裝要辨識的照片:

雲端硬碟掛載:

from google.colab import drive
drive.mount('/content/drive')

模型訓練:
將雲端硬碟掛載好之後，我們就可以開始訓練模型了。後面文章會再補充模型的介紹以及模型的堆疊。在訓練好模型之後我們會將模型儲存到雲端硬碟，方便下次直接使用模型。

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
import pathlib
import glob
import matplotlib.pyplot as plt
import numpy as np
import os
import PIL
import PIL.Image as Image
import joblib

os.environ['TF_XLA_FLAGS'] = '--tf_xla_enable_xla_devices'
data_dir = pathlib.Path("/content/drive/MyDrive/train_data")


batch_size = 32
img_height = 180
img_width = 180

train_ds = tf.keras.utils.image_dataset_from_directory(
  data_dir,
  validation_split=0.2,
  subset="training",
  seed=3,
  image_size=(img_height, img_width),
  batch_size=batch_size)


val_ds = tf.keras.utils.image_dataset_from_directory(
  data_dir,
  validation_split=0.8,
  subset="validation",
  seed=3,
  image_size=(img_height, img_width),
  batch_size=batch_size)

class_names = train_ds.class_names
print(class_names)


AUTOTUNE = tf.data.AUTOTUNE

num_classes =  len(class_names)

data_augmentation = keras.Sequential(
  [
    layers.RandomFlip("horizontal",
                      input_shape=(img_height,
                                  img_width,
                                  3)),
    layers.RandomRotation(0.1),
    layers.RandomZoom(0.1),
  ]
)

model = tf.keras.Sequential([
  data_augmentation,
  tf.keras.layers.Conv2D(64, 3, activation='relu',input_shape=(1,img_height, img_width, 3)),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(32, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(16, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(8, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  layers.Dropout(0.2),
  tf.keras.layers.Flatten(
      ),
  tf.keras.layers.Dense(8, activation='relu'),
  tf.keras.layers.Dense(num_classes)
])


model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

#model = joblib.load('../h5/model.h5')

history = model.fit(
train_ds,
validation_data=val_ds,
epochs=100
)
model.summary()
joblib.dump(model,'/content/drive/MyDrive/model/model_1.h5')

訓練完成後成果圖:

模型載入及預測:

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
import pathlib
import glob
import matplotlib.pyplot as plt
import numpy as np
import os
import PIL
import time
import PIL.Image as Image
import joblib

os.environ['TF_XLA_FLAGS'] = '--tf_xla_enable_xla_devices'
data_dir = pathlib.Path("/content/drive/MyDrive/train_data")

batch_size = 32
img_height = 180
img_width = 180

train_ds = tf.keras.utils.image_dataset_from_directory(
  data_dir,
  validation_split=0.2,
  subset="training",
  seed=3,
  image_size=(img_height, img_width),
  batch_size=batch_size)

val_ds = tf.keras.utils.image_dataset_from_directory(
  data_dir,
  validation_split=0.8,
  subset="validation",
  seed=3,
  image_size=(img_height, img_width),
  batch_size=batch_size)

class_names = train_ds.class_names
img_height = 180
img_width = 180

reload_model = joblib.load('/content/drive/MyDrive/model/model_1.h5')

reload_model.summary()


img = Image.open('/content/drive/MyDrive/test_data/test_image.jpg').convert('RGB')
img = img.resize((img_height, img_width))
img_array = tf.keras.utils.img_to_array(img)
img_array = tf.expand_dims(img_array, 0)
predictions = reload_model.predict(img_array)
score = tf.nn.softmax(predictions[0])
print("This image most likely belongs to {} with a {:.2f} percent confidence.".format(class_names[np.argmax(score)], 100 * np.max(score)))

實際預測結果:

完整程式碼:

from google.colab import drive
drive.mount('/content/drive')

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
import pathlib
import glob
import matplotlib.pyplot as plt
import numpy as np
import os
import PIL
import PIL.Image as Image
import joblib

os.environ['TF_XLA_FLAGS'] = '--tf_xla_enable_xla_devices'
data_dir = pathlib.Path("/content/drive/MyDrive/train_data")


batch_size = 32
img_height = 180
img_width = 180

train_ds = tf.keras.utils.image_dataset_from_directory(
  data_dir,
  validation_split=0.2,
  subset="training",
  seed=3,
  image_size=(img_height, img_width),
  batch_size=batch_size)


val_ds = tf.keras.utils.image_dataset_from_directory(
  data_dir,
  validation_split=0.8,
  subset="validation",
  seed=3,
  image_size=(img_height, img_width),
  batch_size=batch_size)

class_names = train_ds.class_names
print(class_names)


AUTOTUNE = tf.data.AUTOTUNE

num_classes =  len(class_names)

data_augmentation = keras.Sequential(
  [
    layers.RandomFlip("horizontal",
                      input_shape=(img_height,
                                  img_width,
                                  3)),
    layers.RandomRotation(0.1),
    layers.RandomZoom(0.1),
  ]
)

model = tf.keras.Sequential([
  data_augmentation,
  tf.keras.layers.Conv2D(64, 3, activation='relu',input_shape=(1,img_height, img_width, 3)),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(32, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(16, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(8, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  layers.Dropout(0.2),
  tf.keras.layers.Flatten(
      ),
  tf.keras.layers.Dense(8, activation='relu'),
  tf.keras.layers.Dense(num_classes)
])


model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

#model = joblib.load('../h5/model.h5')

history = model.fit(
train_ds,
validation_data=val_ds,
epochs=100
)
model.summary()
joblib.dump(model,'/content/drive/MyDrive/model/model_1.h5')

reload_model = joblib.load('/content/drive/MyDrive/model/model_1.h5')

reload_model.summary()


img = Image.open('/content/drive/MyDrive/test_data/test_image.jpg').convert('RGB')
img = img.resize((img_height, img_width))
img_array = tf.keras.utils.img_to_array(img)
img_array = tf.expand_dims(img_array, 0)
predictions = reload_model.predict(img_array)
score = tf.nn.softmax(predictions[0])
print("This image most likely belongs to {} with a {:.2f} percent confidence.".format(class_names[np.argmax(score)], 100 * np.max(score)))

test_data的資料夾共享:
https://drive.google.com/drive/folders/1p1EFvg6nQWeArdrz9tUMxNaJ-Xx81Fph?usp=sharing

train_data的資料夾共享:
https://drive.google.com/drive/folders/1IvmcihJgYUH9YAc8ccctyN4QHVRs-Ff6?usp=drive_link

文章主題一覽:

  1. OpenCV-python:影像辨識基礎技能-1(Day 1)
  2. OpenCV-python:影像辨識基礎技能-2(Day 2)
  3. OpenCV-python:影像辨識的基礎臉部偵測-加碼更新(Day 2)
  1. Tensorflow-python:圖片分類-1-資料集準備(Day 3)
  2. Tensorflow-python:圖片分類-2-模型訓練(Day 4)
  3. Tensorflow-python:圖片分類-3-模型實際使用(Day 5)
  4. Tensorflow-python:圖片分類-4-完整程式總結(Day 6)
  1. Tensorflow-python:語意分割-1-資料集介紹(Day 7)
  2. Tensorflow-python:語意分割-2-模型訓練(Day 8)
  3. Tensorflow-python:語意分割-3-模型實際使用(Day 9)
  4. Tensorflow-python:語意分割-4-完整程式總結(Day 10)
  1. CycleGAN-python:生成相似圖片「由簡化繁」-1-資料集介紹(Day 11)
  2. CycleGAN-python:生成相似圖片「由簡化繁」-2-模型訓練(Day 12)
  3. CycleGAN-python:生成相似圖片「由簡化繁」-3-模型實際使用(Day 13)
  4. CycleGAN-python:生成相似圖片「由簡化繁」-4-完整程式總結(Day 14)
  5. CycleGAN-python:生成相似圖片「由繁化簡」-1-資料集介紹(Day 15)
  6. CycleGAN-python:生成相似圖片「由繁化簡」-2-模型訓練(Day 16)
  7. CycleGAN-python:生成相似圖片「由繁化簡」-3-模型實際使用(Day 17)
  8. CycleGAN-python:生成相似圖片「由繁化簡」-4-完整程式總結(Day 18)
  1. tensorflow-object-detection:物件辨識-1-資料集介紹(Day 19)
  2. tensorflow-object-detection:物件辨識-2-模型訓練(Day 20)
  3. tensorflow-object-detection:物件辨識-3-模型實際使用(Day 21)
  4. tensorflow-object-detection:物件辨識-4-完整程式總結(Day 22)
  1. MediaPipe:額外分享-1-手部追蹤(Day 23)
  2. MediaPipe:額外分享-2-人臉檢測(Day 24)
  3. MediaPipe:額外分享-2-物體檢測(Day 25)
  1. Tensorflow-python:圖片分類-1-模型介紹(Day 26)
  2. Tensorflow-python:圖片分類-2-變形應用(Day 27)
  3. Tensorflow-python:語意分割-1-模型介紹(Day 28)
  4. Tensorflow-python:語意分割-2-變形應用(Day 29)
  5. CycleGAN-python:生成相似圖片-1-模型介紹(Day 30)
  6. CycleGAN-python:生成相似圖片-2-變形應用(Day 31)

粗體字為額外更新的文章。


上一篇
Tensorflow-python:圖片分類-3-模型實際使用(Day 5)
下一篇
Tensorflow-python:語意分割-1-資料集介紹(Day 7)
系列文
從0開始的影像辨識之路 共 31 篇
  1. 27
    Tensorflow-python:圖片分類-2-變形應用(Day 26)
  2. 28
    Tensorflow-python:語意分割-1-模型介紹(Day 27)
  3. 29
    Tensorflow-python:語意分割-2-變形應用(Day 28)
  4. 30
    CycleGAN-python:生成相似圖片-1-模型介紹(Day 29)
  5. 31
    CycleGAN-python:生成相似圖片-2-變形應用(Day 30)
完整目錄
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言
iThome鐵人賽
參賽組數
1064 組
團體組數
40 組
累計文章數
22195 篇
完賽人數
600 人
iT+看影片追技術 看影片追技術 看更多
熱門tag 看更多
15th鐵人賽 16th鐵人賽 13th鐵人賽 14th鐵人賽 12th鐵人賽 11th鐵人賽 鐵人賽 2019鐵人賽 javascript 2018鐵人賽 python 2017鐵人賽 windows php c# windows server linux css react vue.js
熱門問題
熱門回答
熱門文章
IT邦幫忙