python - secuencial - ¿Cómo predecir la imagen de entrada usando un modelo entrenado en Keras?

keras simple model

Question

Solo estoy empezando con keras y aprendizaje automático en general.

Entrené un modelo para clasificar imágenes de 2 clases y lo model.save() utilizando model.save() . Aquí está el código que utilicé:

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'')

Se entrenó con éxito con una precisión de 0,98 que es bastante bueno. Para cargar y probar este modelo en nuevas imágenes, utilicé el siguiente código:

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

Produce:

[[0]]

¿Por qué no daría el nombre real de la clase y por qué [[0]] ?

Gracias por adelantado.

Answer 1

Eso es porque estás obteniendo el valor numérico asociado con la clase. Por ejemplo, si tiene dos clases de gatos y perros, Keras los asociará con valores numéricos 0 y 1. Para obtener la asignación entre sus clases y su valor numérico asociado, puede usar

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

Ahora ya sabes el mapeo entre tus clases e índices. Así que ahora lo que puedes hacer es

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

Answer 2

Puede usar model.predict() para predecir la clase de una sola imagen de la siguiente manera [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)

En este ejemplo, una imagen se carga como una matriz numpy con forma (1, height, width, channels) . Luego, lo cargamos en el modelo y predecimos su clase, devuelto como un valor real en el rango [0, 1] (clasificación binaria en este ejemplo).

Answer 3

Reenviando el ejemplo por @ritiek, yo también soy un principiante en ML, quizás este tipo de formato ayude a ver el nombre en lugar de solo el número de clase.

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

Answer 4

Si alguien todavía está luchando para hacer predicciones sobre imágenes, aquí está el código optimizado para cargar el modelo guardado y hacer predicciones:

# 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]

Answer 5

keras predict_classes ( docs ) produce una matriz numpy de predicciones de clase. Que en su caso modelo, el índice de neurona de activación más alta de su última capa (softmax). [[0]] significa que su modelo predijo que sus datos de prueba son de clase 0. (por lo general, pasará varias imágenes y el resultado se verá como [[0], [1], [1], [0]] )

Debe convertir su etiqueta real (por ejemplo, ''cancer'', ''not cancer'' ) en codificación binaria ( 0 para "cáncer", 1 para "no cáncer") para la clasificación binaria. Luego interpretará la salida de la secuencia de [[0]] como que tiene la etiqueta de clase ''cancer''