Comment prédire l'image d'entrée à l'aide d'un modèle formé dans Keras?

Question

Je suis seulement au début avec keras de la machine et de l'apprentissage en général.

J'ai formé un modèle à classer des images à partir de 2 classes et enregistré à l'aide de model.save(). Voici le code que j'ai utilisé:

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')

Il a formé avec succès avec 0.98 l'exactitude, ce qui est assez bon. Pour charger et tester ce modèle sur de nouvelles images, j'ai utilisé le code ci-dessous:

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

C'sorties:

[[0]]

Pourquoi ne serait-il pas donner le nom de la classe et pourquoi [[0]]?

Merci à l'avance.

Answer 1

Si quelqu'un a encore du mal à faire des prédictions sur les images, voici le code optimisé pour charger le modèle enregistré et faire des prédictions:

 # 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 2

Vous pouvez utiliser model.predict() pour prédire la classe d'une seule image comme suit [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)
 

Dans cet exemple, une image est chargée en tant que tableau numpy avec la forme (1, height, width, channels) . Ensuite, nous le chargeons dans le modèle et prédisons sa classe, renvoyée comme une valeur réelle dans la plage [0, 1] (classification binaire dans cet exemple).

Answer 3

keras predict_classes (docs) sorties d'Un tableau numpy de la classe des prédictions. Qui dans votre modèle de cas, l'indice de neurone de plus l'activation de votre dernière(softmax) de la couche. [[0]] signifie que votre modèle prédit que vos données de test est de classe 0. (en général, vous serez en passant plusieurs image, et le résultat ressemblera [[0], [1], [1], [0]] )

Vous devez convertir votre étiquette (par exemple, 'cancer', 'not cancer') en codage binaire (0 de "cancer", 1 pour "pas le cancer") pour la classification binaire. Alors vous allez interpréter votre sortie de la séquence de [[0]] comme ayant de la classe de l'étiquette 'cancer'

Answer 4

C'est parce que vous obtenez la valeur numérique associée à la classe. Par exemple, si vous avez deux classes chats et chiens, Keras leur associera les valeurs numériques 0 et 1. Pour obtenir la correspondance entre vos classes et leur valeur numérique associée, vous pouvez utiliser

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

Vous connaissez maintenant la correspondance entre vos classes et vos indices. Alors maintenant, ce que vous pouvez faire, c'est

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

Answer 5

En transmettant l'exemple par @ritiek, je suis aussi un débutant en ML, peut-être que ce type de formatage aidera à voir le nom au lieu du seul numéro de classe.

 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