【SIGANTE】画像ラベリング（１０種類） 画像データの拡張（水増し）

全体の構成

###①データの下準備
https://qiita.com/hara_tatsu/items/a90173d33cb381648f72
###②画像データの拡張（水増し）
https://qiita.com/hara_tatsu/items/86ddf3c00a374e9ae796
###③転移学習
https://qiita.com/hara_tatsu/items/bc93fb61b7ccbc639eed

環境情報

Python 3.6.5
tensorflow 2.3.1

【SIGANTE】画像ラベリング（１０種類）について

画像データに対して、10種類のラベルの1つを割り当てるモデルを作成します。

学習データサンプル数：5000

以下リンク
https://signate.jp/competitions/133

画像データの拡張（水増し）

ここまでの処理は以下を参照（①データの下準備）
https://qiita.com/hara_tatsu/items/a90173d33cb381648f72

ライブラリーのインポート

python.py

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# 画像処理
from PIL import Image

# tensorflow
from tensorflow import keras
from tensorflow.keras.preprocessing.image import ImageDataGenerator

画像データの拡張（水増し）

python.py

# 画像の加工内容
image_gen = ImageDataGenerator(
              rotation_range=45, # 45°回転
              horizontal_flip = True # 水平移動
             )

#元となるデータ数を増やす
X_gen = image_gen.flow(X_train, Y_train, batch_size=32)

# 画像データを格納
X = []
# ラベルデータを格納
Y = []

for _ in range(10):
    #データ生成
    X_gen_new, y_gen_new = X_gen.__next__()
    #データを結合
    X_train = np.concatenate([X_train, X_gen_new])
    Y_train = np.concatenate([Y_train, y_gen_new])
    X.append(X_train)
    Y.append(Y_train)
    #データサイズを表示
    print(X_train.shape, Y_train.shape)

# データ数が2770まで増えた（batch_sizeを増やせばもっと増やせる）
(2482, 96, 96, 3) (2482, 10)
(2514, 96, 96, 3) (2514, 10)
(2546, 96, 96, 3) (2546, 10)
(2578, 96, 96, 3) (2578, 10)
(2610, 96, 96, 3) (2610, 10)
(2642, 96, 96, 3) (2642, 10)
(2674, 96, 96, 3) (2674, 10)
(2706, 96, 96, 3) (2706, 10)
(2738, 96, 96, 3) (2738, 10)
(2770, 96, 96, 3) (2770, 10)

教師データの決定

python.py

X_train = X[-1]
Y_train = Y[-1]
print(X_train.shape, Y_train.shape)

# 教師データとして採用
(2770, 96, 96, 3) (2770, 10)

画像データの確認

python.py

# 1行5列のグリッド形式で画像をプロットする関数。
def plotImages(images_arr):
    fig, axes = plt.subplots(1, 5, figsize=(20,20))
    axes = axes.flatten()
    for img, ax in zip( images_arr, axes):
        ax.imshow(img)
        ax.axis('off')
    plt.tight_layout()
    plt.show()

# 教師データをまとめる
train_data_gen = image_gen.flow(X_train, Y_train, batch_size = 32, shuffle = False)
augmented_images = [train_data_gen[0][0][0] for i in range(5)]
# 表示
plotImages(augmented_images)

こんな感じ！！

python.py

# 検証データも教師データと同じ形へ変更
valid_gen = ImageDataGenerator()
valid_data_gen = valid_gen.flow(X_valid, Y_valid, batch_size = 32)

おわりに

次回は転移学習！！