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''