Keras+Tensorflow で猫の毛色分類（サビ猫は雑誌の表紙を飾ったのか？）3 #Python3

学習

keras(tensorflow)で花の画像から名前を特定

上記の記事に習い、集めた画像をカテゴリ付きでnumpyの配列にして保存しておく。

data.py

from PIL import Image
import sys
import os, glob
import numpy as np
import random, math

def create(input_dir) :
    Image.LOAD_TRUNCATED_IMAGES = True
    categorys = []
    dir_list = os.listdir(input_dir)
    for index, dir_name in enumerate(dir_list):
      if dir_name == '.DS_Store' :
        continue
      categorys.append(dir_name)
    image_size = 160
    train_data = []
    for idx, category in enumerate(categorys):
      try :
        print("---", category)
        image_dir = input_dir + "/" + category
        files = glob.glob(image_dir + "/*.jpg")
        for i, f in enumerate(files):
            img = Image.open(f)
            img = img.convert("RGB")
            img = img.resize((image_size, image_size))
            data = np.asarray(img)
            train_data.append([data, idx])
      except:
        print("SKIP : " + category)

    random.shuffle(train_data)
    X, Y = [],[]
    for data in train_data:
      X.append(data[0])
      Y.append(data[1])
    print(len(X))
    test_idx = math.floor(len(X) * 0.8)
    print(test_idx)
    xy = (np.array(X[0:test_idx]), np.array(X[test_idx:]),
          np.array(Y[0:test_idx]), np.array(Y[test_idx:]))
    np.save("cat_color", xy)

if __name__ == "__main__":
  args = sys.argv
  input_dir = args[1]  #各カテゴリ画像データの上位ディレクトリ
  create(input_dir)

学習部分は、ImageDataGeneratorで水増しなど採用した。
顔ギリで切ってるので、あまりいろいろ動かさず（0.1）
vertical_flip を付けたら感度ダダ下がり、顔には向いてない

training.py

import sys
import os
import numpy as np
from keras.models import Sequential, model_from_json
from keras.callbacks import ModelCheckpoint
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras.utils import np_utils
from keras.preprocessing.image import ImageDataGenerator

def train(input_dir,npy_file) :
    nb_classes = len([name for name in os.listdir(input_dir) if name != ".DS_Store"])
    x_train, x_test, y_train, y_test = np.load(npy_file)
    x_train = x_train.astype("float") / 255.
    x_test = x_test.astype("float") / 255.
    y_train = np_utils.to_categorical(y_train, nb_classes)
    y_test = np_utils.to_categorical(y_test, nb_classes)
    train_datagen = ImageDataGenerator(   #画像回転、ズームなどで水増し...
        rotation_range=10,
        width_shift_range=0.1,
        height_shift_range=0.1,
        shear_range=0.1,
        zoom_range=0.1,
        horizontal_flip=True,
        fill_mode='nearest')

    model = Sequential()
    model.add(Conv2D(32, (3, 3), padding='same', input_shape=x_train.shape[1:]))
    model.add(Activation('relu'))

    model.add(Conv2D(32, (3, 3), padding='same'))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))

    model.add(Conv2D(64, (3, 3), padding='same'))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Conv2D(64, (3, 3), padding='same'))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Dropout(0.25))
    model.add(Flatten())
    model.add(Dense(512))

    model.add(Activation('relu'))
    model.add(Dropout(0.5))
    model.add(Dense(nb_classes))
    model.add(Activation('softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

    # 学習してベストモデルを保存
    checkpoint_cb = ModelCheckpoint("snapshot/cat-bestmodel.hdf5", save_best_only=True)
    result = model.fit_generator(train_datagen.flow(x_train,  y_train,
                    batch_size=64, save_to_dir=None),
                    epochs=50,
                    steps_per_epoch=None,
                    validation_data=(x_test, y_test),
                    validation_steps=None,
                    workers=4,
                    callbacks=[checkpoint_cb])

    # ベストモデルのテスト
    model.load_weights("snapshot/cat-bestmodel.hdf5")
    score = model.evaluate(x_test, y_test)
    print('loss=', score[0])
    print('accuracy=', score[1])

if __name__ == "__main__":
  args = sys.argv
  input_dir = args[1]
  npy_file = args[2]  #data.pyで保存したcat_color.npy 
  train(input_dir, npy_file)

loss= 0.47945548266899296
accuracy= 0.885569990659696
まあまあだね！（デリアンの口調で。2出ないかな）
　テストデータの数がちょうど3,700になったので、batch_size=50にして、1エポック74ステップ、Generator てどうやって動いてるんだろ？？
　フィルタの数やら、プーリング、ドロップアウトの回数やら、関数何を使おうか？とかは、全然比較検討してないです...

Keras+Tensorflow で猫の毛色分類（サビ猫は雑誌の表紙を飾ったのか？）3

もくじ

学習