Здравствуйте, я пытаюсь построить классификатор изображений с использованием Keras и CNN.
. Я уже обучил модель для двоичной классификации, и она работает очень хорошо.
Я применил те же знания, чтобы построитьКлассификация изображений с использованием нескольких категорий (что с треском проваливается). У меня есть 5 классов. Я создал 5 папок внутри jpeg dir, и структура директивы выглядит следующим образом:
C: \ Users \ jpeg
1.train
2.test
Внутри папки train У меня по 5 подпапок в каждой папке, соответствующей классу
C: \ Users \ jpeg \ train
1.Auth_Docs
2.Certificates_Reports
3.Document
4.Title
5.communication
, и я поместил соответствующие изображения в каждую папку
.структура в тестовой папке
исходный код:
import matplotlib.pyplot as plt
import cv2
%matplotlib inline
from keras.preprocessing.image import ImageDataGenerator
image_gen.flow_from_directory('C://Users/Jpeg/train')
image_gen.flow_from_directory('C://Users/jpeg/test')
image_shape = (150,150,3)
from keras.models import Sequential
from keras.layers import Activation, Dropout, Flatten, Dense, Conv2D, MaxPooling2D
model = Sequential()
model.add(Conv2D(filters=32, kernel_size=(3,3),input_shape=(150,150,3), activation='relu',))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(filters=64, kernel_size=(3,3),input_shape=(150,150,3), activation='relu',))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(filters=64, kernel_size=(3,3),input_shape=(150,150,3), activation='relu',))
model.add(MaxPooling2D(pool_size=(2, 2)))
#
model.add(Flatten())
#hidden layer number of neurons
model.add(Dense(256, activation='relu'))
# Here we say randomly turn off 30% of neurons.
model.add(Dropout(0.3))
# Last layer(add number of layers based on number of categories)
model.add(Dense(5, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
#Training the model
batch_size = 16
train_image_gen = image_gen.flow_from_directory('C://Users/jpeg/train',
target_size=image_shape[:2],
batch_size=batch_size,
class_mode='categorical'
)
#Found 2434 images belonging to 5 classes.
test_image_gen = image_gen.flow_from_directory('C://Users/jpeg/test',
target_size=image_shape[:2],
batch_size=batch_size,
class_mode='categorical'
)
#Found 60 images belonging to 5 classes.
train_image_gen.class_indices
#o/p
{'Auth_Docs': 0,
'Certificates_Reports': 1,
'Document': 2,
'Title': 3,
'communication': 4}
#Fitting the model
from PIL import Image
Image.MAX_IMAGE_PIXELS = None
results = model.fit_generator(train_image_gen,epochs=50,
steps_per_epoch=100,
validation_data=test_image_gen,
validation_steps=12)
#saving the model
model.save('Document_Classification.h5')
#results.accuracy for my model gives around 80% of accuracy
Теперь проблема с тестированием модели
from keras.models import load_model
new_model = load_model('Document_Classification.h5')
import numpy as np
from keras.preprocessing import image
import os,sys
from PIL import Image
Image.MAX_IMAGE_PIXELS = None
for a,b,c in os.walk("C:/Users/jpeg/test/communication"):
for i in c:
doc_img = image.load_img(os.path.join(a,i), target_size=(150, 150))
doc_img = image.img_to_array(doc_img)
doc_img = np.expand_dims(doc_img, axis=0)
doc_img = doc_img/255
#print (a,i)
prediction_prob = new_model.predict_classes(doc_img)
print(prediction_prob )
только вывод, который я получаю,
[2]
[2]
[2]
[2]
независимо от того, какую папку я использую для проверки o / p, то же самое, т.е. в приведенном выше примере я использовал изображения папки связи, а o / p равно 2
то же самое o / p, когда я тестирую изображенияиз Auth_Docs, Title и т. д.
Я не вижу ничего плохого в моем коде, так как этот код работает для двоичной классификации.Пожалуйста, сообщите
Кроме того, я хочу выяснить, как связана метка с выводом, который я получаю.
Пожалуйста, сообщите.
Спасибо.