web-dev-qa-db-ja.com

Kerasで訓練されたモデルを使用して入力画像を予測する方法は？

私はケラスと機械学習全般から始めたばかりです。

2つのクラスの画像を分類するモデルをトレーニングし、model.save()を使用して保存しました。私が使用したコードは次のとおりです。

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


# dimensions of our images.
img_width, img_height = 320, 240

train_data_dir = 'data/train'
validation_data_dir = 'data/validation'
nb_train_samples = 200  #total
nb_validation_samples = 10  # total
epochs = 6
batch_size = 10

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

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(1))
model.add(Activation('sigmoid'))

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

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
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='binary')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

model.fit_generator(
    train_generator,
    steps_per_Epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=5)

model.save('model.h5')

0.98の精度で正常にトレーニングされましたが、かなり良いです。このモデルを新しいイメージにロードしてテストするために、次のコードを使用しました。

from keras.models import load_model
import cv2
import numpy as np

model = load_model('model.h5')

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

img = cv2.imread('test.jpg')
img = cv2.resize(img,(320,240))
img = np.reshape(img,[1,320,240,3])

classes = model.predict_classes(img)

print classes

以下を出力します：

[[0]]

クラスの実際の名前が表示されないのはなぜですか、なぜ[[0]]ですか？

前もって感謝します。

pythonmachine-learningkerascomputer-vision
32
ritiek

keras predict_classes（ docs ）出力クラス予測のnumpy配列。モデルケースでは、最後の（softmax）レイヤーからの最も高い活性化のニューロンのインデックス。 [[0]]は、テストデータがクラス0であるとモデルが予測したことを意味します（通常、複数の画像を渡すことになり、結果は[[0], [1], [1], [0]]のようになります）

バイナリ分類のために、実際のラベル（例：'cancer', 'not cancer'）をバイナリエンコード（「がん」の場合は0、「がんではない」の場合は1）に変換する必要があります。次に、[[0]]のシーケンス出力をクラスラベル'cancer'を持つものとして解釈します。

13
DNK

誰かがまだ画像の予測に苦労している場合、保存されたモデルをロードして予測を行うための最適化されたコードは次のとおりです。

# Modify 'test1.jpg' and 'test2.jpg' to the images you want to predict on

from keras.models import load_model
from keras.preprocessing import image
import numpy as np

# dimensions of our images
img_width, img_height = 320, 240

# load the model we saved
model = load_model('model.h5')
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# predicting images
img = image.load_img('test1.jpg', target_size=(img_width, img_height))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)

images = np.vstack([x])
classes = model.predict_classes(images, batch_size=10)
print classes

# predicting multiple images at once
img = image.load_img('test2.jpg', target_size=(img_width, img_height))
y = image.img_to_array(img)
y = np.expand_dims(y, axis=0)

# pass the list of multiple images np.vstack()
images = np.vstack([x, y])
classes = model.predict_classes(images, batch_size=10)

# print the classes, the images belong to
print classes
print classes[0]
print classes[0][0]
17
ritiek

model.predict()を使用して、次のように単一画像のクラスを予測できます [doc] ：

# load_model_sample.py
from keras.models import load_model
from keras.preprocessing import image
import matplotlib.pyplot as plt
import numpy as np
import os


def load_image(img_path, show=False):

    img = image.load_img(img_path, target_size=(150, 150))
    img_tensor = image.img_to_array(img)                    # (height, width, channels)
    img_tensor = np.expand_dims(img_tensor, axis=0)         # (1, height, width, channels), add a dimension because the model expects this shape: (batch_size, height, width, channels)
    img_tensor /= 255.                                      # imshow expects values in the range [0, 1]

    if show:
        plt.imshow(img_tensor[0])                           
        plt.axis('off')
        plt.show()

    return img_tensor


if __name__ == "__main__":

    # load model
    model = load_model("model_aug.h5")

    # image path
    img_path = '/media/data/dogscats/test1/3867.jpg'    # dog
    #img_path = '/media/data/dogscats/test1/19.jpg'      # cat

    # load a single image
    new_image = load_image(img_path)

    # check prediction
    pred = model.predict(new_image)

この例では、画像は(1, height, width, channels)という形状のnumpy配列としてロードされます。次に、モデルにロードし、そのクラスを予測します。範囲[0、1]の実際の値として返されます（この例ではバイナリ分類）。

12
auraham

これは、クラスに関連付けられた数値を取得しているためです。たとえば、猫と犬の2つのクラスがある場合、Kerasはそれらに数値0と1を関連付けます。クラスとそれに関連付けられた数値の間のマッピングを取得するには、次を使用できます。

>>> classes = train_generator.class_indices    
>>> print(classes)
    {'cats': 0, 'dogs': 1}

これで、クラスとインデックス間のマッピングがわかりました。だから今できることは

if classes[0][0] == 1: prediction = 'dog' else: prediction = 'cat'

3
Javapocalypse

@ritiekによる例を転送して、私もMLの初心者です。この種のフォーマットは、クラス番号だけでなく名前を見るのに役立つかもしれません。

images = np.vstack([x, y])

prediction = model.predict(images)

print(prediction)

i = 1

for things in prediction:  
    if(things == 0):
        print('%d.It is cancer'%(i))
    else:
        print('%d.Not cancer'%(i))
    i = i + 1
0
Vineeth Sai