Как обучить мультиклассовый классификатор изображений с помощью Keras

Question

Я следовал учебному пособию по классификации изображений 2 классов здесь и хотел преобразовать его в мультиклассовый классификатор.

Я пытаюсь обучить модель прогнозировать марку часы из 17 классов. Моя точность после 50 эпох составляет всего 21,88%, поэтому я не совсем уверен, где я иду не так или даже я делаю это правильно. Вот мой код:

Все изображения находятся в своих отдельных папках в папках / data или / valid. Пример: ../watch finder / data / armani Пример 2: ../watch finder / data / gucci

import numpy as np
import matplotlib.pyplot as plt
import os
import cv2
from keras.utils import np_utils

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
import keras.optimizers

img_width, img_height = 210, 210

train_data_dir = 'C:/Users/Adrian/Desktop/watch finder/data'
validation_data_dir = 'C:/Users/Adrian/Desktop/watch finder/valid'
nb_train_samples = 4761
nb_validation_samples = 612
epochs = 50
batch_size = 16

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(17))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

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='categorical')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')
model.fit_generator(
    train_generator,
    samples_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

Это моя первая эпоха:

Epoch 1/50
18/18 [==============================] - 8s 422ms/step - loss: 4.1104 - accuracy: 0.0833 - val_loss: 2.8369 - val_accuracy: 0.0592

А это моя 50-я / последняя эпоха:

Epoch 50/50
18/18 [==============================] - 7s 404ms/step - loss: 2.4840 - accuracy: 0.2188 - val_loss: 3.0823 - val_accuracy: 0.1795

Я вполне уверен, что я делаю что-то здесь не так, но я действительно плохо знаком с глубоким изучением, поэтому я не уверен, что это такое. Мы ценим любую помощь.

Кроме того, каждая марка часов имеет от 300 до 400 изображений, и каждый размер изображения одинаков при 210x210.

Answer 1

Кажется, нет ничего плохого в вашем подходе на высоком уровне.

Тренировка остановилась в 50-ю эпоху или она все еще учится? Если это так, то вам может потребоваться увеличить скорость обучения, чтобы она быстрее тренировалась.

Вам также нужно попробовать разные архитектуры и начать настройку гиперпараметров.

Еще один момент, который я хотел бы отметить, это то, что у вас действительно небольшое количество изображений. Попробуйте использовать установленную архитектуру, для которой вы можете найти предварительно подготовленные модели. Это может помочь вам значительно повысить производительность.

И последнее замечание: если у вас есть 17 классов, если ваша модель предсказывает случайным образом, вы получите точность чуть менее 6%. Это означает, что ваша модель, по крайней мере, чему-то научилась.