Модель распознавания лиц Keras плохая точность

Question

Я несколько дней пытаюсь создать собственную модель распознавания лиц с помощью Keras в python. Я проведу вас через мои настройки и дам вам мой код, я уверен, что есть кое-что, что я не делаю правильно, но я не могу сказать, что. Итак, мой набор данных состоит из 97 человек, в среднем по 10 фотографий на человека. Общее количество фотографий - 1106. Набор данных находится в папке «Лица», а изображения для каждого человека - в папках с именами от 0 до 96. Вот код, который я использую для обработки и разделения моих данных на поезда, проверки и проверки. проверить, а также создать свой CNN с помощью Keras. Любая помощь или предложения приветствуются, спасибо!

channels = 3
rows = 50
cols = 50

classes = 97

data = []
labels = []

images = sorted(list(paths.list_images("faces")))

for image in images:
    img = cv2.imread(image)
    img = cv2.resize(img, (rows, cols)).flatten()
    data.append(img)

    label = image.split(os.path.sep)[-2]
    labels.append(label)

data = np.array(data, dtype="float32") / 255.0

labels = [int(i) for i in labels]
labels = np.array(labels)

xtrain, testX, ytrain, testY = train_test_split(data, labels, test_size = 0.3, random_state = 13)
trainX, validX, trainY, validY = train_test_split(xtrain, ytrain, test_size = 0.2, random_state = 14)

lb = LabelBinarizer()
trainY = lb.fit_transform(trainY)
validY = lb.transform(validY)
testY = lb.transform(testY)

trainX = trainX.astype("float32")
validX = validX.astype("float32")
testX = testX.astype("float32")
trainY = trainY.astype("float32")
validY = validY.astype("float32")
testY = testY.astype("float32")

trainX = trainX.reshape([trainX.shape[0], cols, rows, channels])
validX = validX.reshape([validX.shape[0], cols, rows, channels])
testX = testX.reshape([testX.shape[0], cols, rows, channels])

weight_decay = 1e-4
model = Sequential()
model.add(Conv2D(32, (3,3), padding='same', kernel_regularizer=regularizers.l2(weight_decay), input_shape=trainX.shape[1:]))
model.add(Activation('elu'))
model.add(BatchNormalization())
model.add(Conv2D(32, (3,3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))
model.add(Activation('elu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.2))

model.add(Conv2D(64, (3,3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))
model.add(Activation('elu'))
model.add(BatchNormalization())
model.add(Conv2D(64, (3,3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))
model.add(Activation('elu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.3))

model.add(Conv2D(128, (3,3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))
model.add(Activation('elu'))
model.add(BatchNormalization())
model.add(Conv2D(128, (3,3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))
model.add(Activation('elu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.4))

model.add(Flatten())
model.add(Dense(classes))
model.add(Activation('softmax'))

datagen = ImageDataGenerator(horizontal_flip=True,
                             featurewise_center=False,
                             samplewise_center=False,
                             featurewise_std_normalization=False,
                             samplewise_std_normalization=False,
                             zca_whitening=False,
                             rotation_range=20,
                             width_shift_range=0.2,
                             height_shift_range=0.2,
                             vertical_flip=False)
datagen.fit(trainX)

optim = RMSprop(lr=0.001, decay=1e-6)
#sgd = SGD(lr=0.01, momentum=0.9)

model.compile(loss='categorical_crossentropy', optimizer=optim, metrics=['accuracy'])
model.fit_generator(datagen.flow(trainX, trainY, batch_size=64), steps_per_epoch = trainX.shape[0], epochs = 50, validation_data=(validX, validY), verbose = 1)
score = model.evaluate(testX, testY, batch_size = 64, verbose = 1)

print("Test score: ", score[0])
print("Test accuracy: ", score[1])

model_json = model.to_json()
open('face_architecture.json', 'w').write(model_json)
model.save_weights('face_weights.h5', overwrite=True)