Trong bài này mình muốn chia sẻ cho các bạn cách để nhận diện chó mèo python sử dụng TENSORFLOW – MẠNG NƠ RON – DEEP LEARNING.
Một số yêu cầu khi code: Tensorflow 2, Python 3 và tải các thư viện bổ sung, tìm hiểu mạng CNN cho ảnh.
Đầu tiên chúng ta cần import một số thư viện cần dùng như sau:
Định dạng lại ảnh cho đầu vào:
Tiếp đến là import data train và tạo mảng chứa các labels:
Xong mình sẽ định danh các mục và tên:
Tiếp đến sẽ khởi tạo mạng nơ ron và các lớp Layer để sử lý dữ liệu:
from keras.callbacks import EarlyStopping, ReduceLROnPlateau
earlystop = EarlyStopping(patience = 10)
learning_rate_reduction = ReduceLROnPlateau(monitor = 'val_accuracy',patience = 2,verbose = 1,factor = 0.5,min_lr = 0.00001)
callbacks = [earlystop,learning_rate_reduction]
df["category"] = df["category"].replace({0:'cat',1:'dog'})
train_df,validate_df = train_test_split(df,test_size=0.20,random_state=42)
train_df = train_df.reset_index(drop=True)
validate_df = validate_df.reset_index(drop=True)
total_train=train_df.shape[0]
total_validate=validate_df.shape[0]
batch_size=20
train_datagen = ImageDataGenerator(rotation_range=15,
rescale=1./255,
shear_range=0.1,
zoom_range=0.2,
horizontal_flip=True,
width_shift_range=0.1,
height_shift_range=0.1
)
train_generator = train_datagen.flow_from_dataframe(train_df,
"./dogs-vs-cats/train/",x_col='filename',y_col='category',
target_size=Image_Size,
class_mode='categorical',
batch_size=batch_size)
validation_datagen = ImageDataGenerator(rescale=1./255)
validation_generator = validation_datagen.flow_from_dataframe(
validate_df,
"./dogs-vs-cats/train/",
x_col='filename',
y_col='category',
target_size=Image_Size,
class_mode='categorical',
batch_size=batch_size
)
epochs=10
history = model.fit_generator(
train_generator,
epochs=epochs,
validation_data=validation_generator,
validation_steps=total_validate//batch_size,
steps_per_epoch=total_train//batch_size,
callbacks=callbacks
)
model.save("Model1.h5")
#from keras.models import load_model
#model = load_model('Model.h5')
test_filenames = os.listdir("./dogs-vs-cats/test1")
test_df = pd.DataFrame({'filename': test_filenames})
nb_samples = test_df.shape[0]
########### fixed
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_dataframe(test_df,"./dogs-vs-cats/test1/",
target_size=Image_Size,
batch_size=batch_size, class_mode=None,
shuffle=False
)
predict = model.predict_generator(test_generator, steps=np.ceil(nb_samples/batch_size))
###########end - fixed
test_df['category'] = np.argmax(predict, axis=-1)
label_map = dict((v,k) for k,v in train_generator.class_indices.items())
test_df['category'] = test_df['category'].replace(label_map)
test_df['category'] = test_df['category'].replace({ 'dog': 1, 'cat': 0 })
sample_test = test_df.head(18)
sample_test.head()
plt.figure(figsize=(12, 24))
for index, row in sample_test.iterrows():
filename = row['filename']
category = row['category']
img = load_img("./dogs-vs-cats/test1/"+filename, target_size=Image_Size)
plt.subplot(6, 3, index+1)
plt.imshow(img)
plt.xlabel(filename + '(' + "{}".format(category) + ')' )
plt.tight_layout()
plt.show()
results={
0:'cat',
1:'dog'
}
from PIL import Image
import numpy as np
im=Image.open("./dogs-vs-cats/test/9.jpg") #fixed
im=im.resize(Image_Size)
im=np.expand_dims(im,axis=0)
im=np.array(im)
im=im/255
pred=model.predict_classes([im])[0]
print(pred,results[pred])Chạy chương trình:
- Python Module.py –> huấn luyện mạng nơ ron và lưu mô hình pre-trained với tên Model.h5
- Chú ý chương trình dạy khá lâu với 10 epochs. Code: model.save(“Model1.h5”)
- Python gui.py –> chạy giao diện, dự đoán ảnh (sử dụng mô hình đã train Model.h5) Code: model = load_model(‘Model.h5’)
Để xem nhiều hơn về Python các bạn có thể xem tại đây nhé.
Link Tải Project
Note : Pass giải nén sharecs.net
Cảm ơn các bạn đã ghé thăm. Chúc các bạn thành công!
