Kerasを使った画像判定AI

概要

画像処理をする AI を作ってみたかったので、とりあえず動物の種類を見分けるためのニューラルネットワークを作った。

開発環境

• python 3.5

• keras 2.2.2

使用したライブラリ

# ニューラルネットワークの定義用のモジュール
from keras.models import Sequential
# 畳み込みやプーリングの処理用モジュール
from keras.layers import Conv2D, MaxPooling2D
# 活性化関数、ドロップアウト処理、データを一次元に返還する、全結合層のていぎ
from keras.layers import Activation, Dropout, Flatten, Dense
# numpyデータを扱うモジュール
from keras.utils import np_utils
import keras
import numpy as np

　識別する画像のラベル

# ラベルの設定
classes = ["monkey", "boar", "crow"]
# 0をmonkey,1をboar,2をcrowとする
NumClasses = len(classes)
# 画像の大きさを50ピクセルとする
ImageSize = 50

学習モデル

基本的に活性化関数にはrelu,

def model_train(X, y):
    # モデルの作成
    model = Sequential()
    # 第一層の定義
    # 32個の3*3のフィルター
    # 畳み込み結果が同じサイズになるように畳み込む
    # 入力の形を50*50*3(0番目は枚数なので不要)
    model.add(Conv2D(32, (3, 3), padding='same', input_shape=X.shape[1:]))

    model.add(Activation('relu'))
    # 2層目
    model.add(Conv2D(32, (3, 3)))
    model.add(Activation('relu'))
    # プーリングの大きさを2＊2（最大値を取り出す）
    model.add(MaxPooling2D(pool_size=(2, 2)))
    # 25％のデータを捨ててデータの偏りをなくす
    model.add(Dropout(0.25))

    model.add(Conv2D(64, (3, 3), padding='same'))
    model.add(Activation('relu'))
    model.add(Conv2D(64, (3, 3)))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))
    # データを一次元に変換する
    model.add(Flatten())
    # 全結合する
    model.add(Dense(512))
    model.add(Activation('relu'))
    # データを半分にする
    model.add(Dropout(0.5))
    # 出力は3つ（画像が3パターンなので）
    model.add(Dense(3))
    # softmaxを使って確率を計算する
    model.add(Activation('softmax'))
    # 最適化の手法の定義
    opt = keras.optimizers.RMSprop(lr=0.0001, decay=1e-6)
    # モデルの最適化の宣言
    # 損失関数を正解と推定値との誤差を指標にする
    model.compile(loss='categorical_crossentropy',
                  optimizer=opt,
                  metrics=['accuracy'])
    # 一回の学習で32枚、100回学習を行う
    model.fit(X, y, batch_size=32, epochs=100)
    # 結果の保存
    model.save('./animalCNN.h5')

    return model

評価関数

def model_eval(model, X, y):
    # 学習したモデルを評価する
    scores = model.evaluate(X, y, verbose=1)
    # 結果の表示
    print('Test Loss', scores[0])
    print('test Accuracy', scores[1])

main 関数

学習データは事前にanimal.npyという形で事前に作っておいた numpy 配列を使っています。

def main():
    # 生成したnumpy配列を読み込む
    X_train, X_test, Y_train, Y_test = np.load("./animal.npy")
    # データの正規化（0～1に収める）
    # 整数を浮動小数点に変換して255で割る
    X_train = X_train.astype("float")/256
    X_test = X_test.astype("float")/256
    # one-hot-vectorに変換する
    # 正解は1,それ以外は0にする
    # [0,1,2]を[1.0.0][0.1.0][0.0.1]に変換する
    Y_train = np_utils.to_categorical(Y_train, NumClasses)
    Y_test = np_utils.to_categorical(Y_test, NumClasses)
    # モデルの学習
    # 学習データとラベルを引数として渡す
    model = model_train(X_train, Y_train)
    # モデルのトレーニング
    # テストデータと学習データを渡す
    model_eval(model, X_test, Y_test)

    plot_model(model, to_file="model.png")

実行結果

Test Loss 0.9219977560344043
test Accuracy 0.7207207207207207

できた！！！

最後に

kerasでモデルの可視化ができるのてやってみました。

縦に長い...