web-dev-qa-db-ja.com

新しい画像で.predict_generator（）を使用する方法-Keras

トレーニングと検証にImageDataGeneratorとflow_from_directoryを使用しました。

これらは私のディレクトリです：

train_dir = Path('D:/Datasets/Trell/images/new_images/training')
test_dir = Path('D:/Datasets/Trell/images/new_images/validation')
pred_dir = Path('D:/Datasets/Trell/images/new_images/testing')

ImageGeneratorコード：

img_width, img_height = 28, 28
batch_size=32
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_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(
    test_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical')

4つのクラスに属する1852個の画像が見つかりました

4つのクラスに属する115枚の画像が見つかりました

これは私のモデルトレーニングコードです。

history = cnn.fit_generator(
        train_generator,
        steps_per_Epoch=1852 // batch_size,
        epochs=20,
        validation_data=validation_generator,
        validation_steps=115 // batch_size)

これで、テストフォルダーにいくつかの新しい画像があります（すべての画像は同じフォルダー内にのみあります）。しかし、.predict_generatorを使用すると、次のようになります。

0個のクラスに属する0個の画像が見つかりました

だから私はこれらのソリューションを試しました：

1） Keras：ImageDataGeneratorでpredict_generatorを使用する方法 これは検証セットのみを試行するため、うまくいきませんでした。

2） model.predictを使用して新しい画像を予測する方法module image not found

3） Kerasのストリーミングテストデータでpredict_generatorを使用して予測を取得する方法 これもうまくいきませんでした。

私の列車データは基本的に4つの個別のフォルダ、つまり4つの特定のクラスに保存され、検証も同じ方法で保存され、うまく機能します。

そのため、テストフォルダーには約300個の画像があり、その上で次のようにデータフレームを予測して作成します。

image_name    class
gghh.jpg       1
rrtq.png       2
1113.jpg       1
44rf.jpg       4
tyug.png       1
ssgh.jpg       3

次のコードも使用しました。

img = image.load_img(pred_dir, target_size=(28, 28))
img_tensor = image.img_to_array(img)
img_tensor = np.expand_dims(img_tensor, axis=0)
img_tensor /= 255.

cnn.predict(img_tensor)

しかし、私はこのエラーを受け取ります：[Errno 13] Permission denied: 'D:\\Datasets\\Trell\\images\\new_images\\testing'

しかし、テスト画像でpredict_generatorすることができませんでした。それでは、Kerasを使用して新しい画像をどのように予測できますか。私は多くのグーグルで検索し、Kaggleカーネルも検索しましたが、解決策を得ることができませんでした。

pythonpandasimage-processingkeras
8
Debadri Dutta

そのため、最初にすべてのテストイメージをテストフォルダー内の別のフォルダーに配置する必要があります。したがって、私の場合、testフォルダー内に別のフォルダーを作成し、_all_classes_という名前を付けました。次に、次のコードを実行しました。

_test_generator = test_datagen.flow_from_directory(
    directory=pred_dir,
    target_size=(28, 28),
    color_mode="rgb",
    batch_size=32,
    class_mode=None,
    shuffle=False
)
_

上記のコードは私に出力を与えます：

1クラスに属する306個の画像が見つかりました

そして最も重要なのは、次のコードを書くことです。

test_generator.reset()

そうでなければ、奇妙な出力が出ます。次に、.predict_generator()関数を使用します。

pred=cnn.predict_generator(test_generator,verbose=1,steps=306/batch_size)

上記のコードを実行すると、確率で出力が得られるため、最初にクラス番号に変換する必要があります。私の場合、クラスは4つだったので、クラス番号は0、1、2、3でした。

書かれたコード：

predicted_class_indices=np.argmax(pred,axis=1)

次のステップでは、クラスの名前が必要です。

_labels = (train_generator.class_indices)
labels = dict((v,k) for k,v in labels.items())
predictions = [labels[k] for k in predicted_class_indices]
_

クラス番号はクラス名に置き換えられます。 csvファイルに保存する場合の最後のステップは、予測されたクラスが画像名に追加されたデータフレームに配置することです。

_filenames=test_generator.filenames
results=pd.DataFrame({"Filename":filenames,
                      "Predictions":predictions})
_

データフレームを表示します。すべてが完了しました。画像の予測クラスをすべて取得します。

15
Debadri Dutta

predict_generator()で問題が発生しました。ここでのいくつかの投稿は大いに役立ちました。私もここに自分の解決策を投稿し、他の人の助けになることを願っています。私がやること：

  • predict_generator()を使用して新しい画像を予測します
  • 各予測のファイル名を取得
  • 結果をデータフレームに保存する

文書化された here のように、「猫と犬」のようにバイナリ予測を行います。ただし、ロジックはマルチクラスのケースに一般化できます。この場合、予測の結果にはクラスごとに1つの列があります。

まず、保存したモデルをロードして、データジェネレーターをセットアップします。

_import numpy as np
import pandas as pd
from keras.preprocessing.image import ImageDataGenerator
from keras.models import load_model

# Load model
model = load_model('my_model_01.hdf5')

test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(
        "C:/kerasimages/pred/",
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary',
        shuffle=False)
_

注：ファイル名と予測の順序を保持するために、_shuffle=False_を指定することが重要です。

画像は_C:/kerasimages/pred/images/_に保存されます。データジェネレーターは、_C:/kerasimages/pred/_（_test_generator_で指定された）のサブフォルダーの画像のみを検索します。データジェネレーターのロジックを尊重することが重要なので、サブフォルダー_/images/_が必要です。 _C:/kerasimages/pred/_の各サブフォルダーは、ジェネレーターによって1つのクラスとして解釈されます。ここでは、ジェネレーターは_Found x images belonging to 1 classes_を報告します（サブフォルダーが1つしかないため）。予測を行う場合、クラス（ジェネレーターによって検出される）は関係ありません。

これで、ジェネレーターを使用して予測を行うことができます。

_# Predict from generator (returns probabilities)
pred=model.predict_generator(test_generator, steps=len(test_generator), verbose=1)
_

この場合、ジェネレータをリセットする必要はありませんが、以前にジェネレータを設定したことがある場合は、test_generator.reset()を使用してリセットする必要があります。

次に、確率を丸めてクラスを取得し、ファイル名を取得します。

_# Get classes by np.round
cl = np.round(pred)
# Get filenames (set shuffle=false in generator is important)
filenames=test_generator.filenames
_

最後に、結果をデータフレームに保存できます。

_# Data frame
results=pd.DataFrame({"file":filenames,"pr":pred[:,0], "class":cl[:,0]})
_
4
Peter

おそらく、flow_from_directoryを使用して間違いを犯している可能性があります。ドキュメントを読む：

flow_from_directory（ディレクトリ、...）

どこで：

ディレクトリ：ターゲットディレクトリへのパス。クラスごとに1つのサブディレクトリを含める必要があります。各サブディレクトリディレクトリツリー内のPNG、JPG、BMP、PPMまたはTIF画像は、ジェネレーターに含まれます。

つまり、この関数に渡すディレクトリ内で、サブディレクトリを作成し、このサブディレクトリ内に画像を配置する必要があります。それ以外の場合、画像が（サブディレクトリではなく）渡すディレクトリにある場合、実際には0個の画像と0個のクラスがあります。

[〜＃〜] edit [〜＃〜]

わかりましたので、実行したい予測の場合、次のようにpredict関数を使用したいと思います：（学習中に行ったのと同じ形式でデータをネットワークに提供する必要があることに注意してくださいプロセス）

image = img_to_array(load_img(f"{directory}/{foldername}/{filename}"))
# here you prepare the input data, for example here we take the gray image
# gray scale is the 1st channel in the Lab color space
color_me = rgb2lab((1.0 / 255) * color_me)[:, :, 0]
color_me = color_me.reshape(color_me.shape + (1,))
# here data is in the format which is accepted by, in this case, my model
# for your model you have to do the preparation just the same as in the case of learning process
output = model.predict(np.array([color_me]))
# and here you have your predicted output
0
Mariusz Ch.

テストフォルダーに親フォルダーを作成することを強くお勧めします。次に、テストフォルダーを親フォルダーに移動します。

この方法でテストフォルダを持っている場合：

/root/test/img1.png
/root/test/img2.png
/root/test/img3.png
/root/test/img4.png

predict_generatorを使用するこの間違った方法。次のようにテストフォルダーを更新します。

/root/test_parent/test/img1.png
/root/test_parent/test/img2.png
/root/test_parent/test/img3.png
/root/test_parent/test/img4.png

このコマンドを使用して更新します。

mv /root/test/ ./root/test_parent/test

そして、このようなモデルへのパスを与えることも忘れないでください

"/root/test_parent/"

この方法は私にとっては役に立ちます。

0
B. Kanani