CNN - Cat Dog Classifier
Kategori: Deep Learning , 24 Nisan 2020 , JanFranco
Daha önce üzerinde çalıştığımız MNIST veriseti keras kütüphanesinin içinde bulunuyordu ve keras methodlarını kullanarak import etme, split etme işlemleri kolayca yapılabiliyordu. Bu dökümanda, resimlerden veriseti oluşturacağız ve bu oluşturduğumuz veriseti üzerinde çalışarak kedi - köpek sınıflandırıcısı yapacağız. İlk olarak resimleri çekelim:
Çektiğimiz resimleri 4 klasöre bölünecek şekilde ayıracağız. training klasöründe 2000, test klasöründe 1000 resim olacak. Training ve test klasörleri kendi içerisinde cats - dogs klasörleri olarak ikiye ayrılacak. Cats - dogs klasörlerinde, training altında ise 1000 - 1000, test altındaysa 500 - 500 resim olacak:import os import cv2 import sys import shutil import numpy as np myPath = "drive/ColabNotebooks/images/" fileNames = [f for f in os.listdir(myPath) if os.path.isfile(os.path.join(myPath, f))] print(str(len(fileNames)) + ' images loaded...')
Şimdi veri setini bölelim. İlk olarak numpy kütüphanesinin savez methodu ile, numpy kütüphanesinin array methodu ile, numpy arraye çevirdiğimiz listeleri, npz dosyalarına kaydedelim:dogCount = 0 catCount = 0 trainingSize = 1000 testSize = 500 trainingImgs = [] trainingLabels = [] testImgs = [] testLabels = [] size = 150 dogTrainDir = "drive/ColabNotebooks/datasets/catvsdog/traing/dogs/" catTrainDir = "drive/ColabNotebooks/datasets/catvsdog/traing/cats/" dogTestDir = "drive/ColabNotebooks/datasets/catvsdog/test/dogs/" catTestDir = "drive/ColabNotebooks/datasets/catvsdog/test/cats/" def make_dir(dir): if os.path.exists(dir): shutil.rmtree(dir) os.makedirs(dir) make_dir(dogTrainDir) make_dir(catTrainDir) make_dir(dogTestDir) make_dir(catTestDir) def get_zeros(number): if(number > 10 and number < 100): return "0" if(number < 10): return "00" else: return "" for i, file in enumerate(fileNames): if(fileNames[i][0] == "d"): dogCount += 1 img = cv2.imread(myPath+file) img = cv2.resize(img, (size, size), interpolation=cv2.INTER_AREA) if(dogCount <= trainingSize): trainingImgs.append(img) trainingLabels.append(1) zeros = get_zeros(dogCount) cv2.imwrite(dogTrainDir + "dog" + str(zeros) + str(dogCount) + ".jpg", img) if(dogCount > trainingSize and dogCount <= trainigSize + testSize): testImgs.append(img) testLabels.append(1) zeros = get_zeros(dogCount - 1000) cv2.imwrite(dogTestDir + "dog" + str(zeros) + str(dogCount - 1000) + ".jpg", img) if(fileNames[i][0] == "c"): catCount += 1 img = cv2.imread(myPath+file) img = cv2.resize(img, (size, size), interpolation=cv2.INTER_AREA) if(catCount <= trainingSize): trainingImgs.append(img) trainingLabels.append(0) zeros = get_zeros(catCount) cv2.imwrite(catTrainDir + "cat" + str(zeros) + str(catCount) + ".jpg", img) if(catCount > trainingSize and catCount <= trainigSize + testSize): testImgs.append(img) testLabels.append(0) zeros = get_zeros(catCount - 1000) cv2.imwrite(catTestDir + "dog" + str(zeros) + str(catCount - 1000) + ".jpg", img) if(dogCount == trainingSize + testSize and catCount == trainingSize + testSize): break print("Completed!")
Dosyaları okuyacak ve train, trainLabels, test, testLabels listelerine atacağımız bir fonksiyon yazalım:np.savez("catsvsdogs_training_data.npz", np.array(trainingImgs)) np.savez("catsvsdogs_training_labels.npz", np.array(trainingLabes)) np.savez("catsvsdogs_test_data.npz", np.array(testImgs)) np.savez("catsvsdogs_test_labels.npz", np.array(testLabels))
Fonksiyonu kullanarak verisetini bölelim ve preprocessing işlemlerini gerçekleştirelim:def load_data_training_test(datasetName): npzFile = np.load(datasetName + "_trainig_data.npz") train = npzFile['arr_0'] npzFile = np.load(datasetName + "_trainig_labels.npz") trainLabels = npzFile['arr_0'] npzFile = np.load(datasetName + "_test_data.npz") test = npzFile['arr_0'] npzFile = np.load(datasetName + "_test_labels.npz") testLabels = npzFile['arr_0'] return (train, trainLabels), (test, testLabels)
Modeli oluşturalım:(x_train, y_train), (x_test, y_test) = load_data_training_test("catvsdogs") y_train = y_train.reshape(y_train.shape[0], 1) y_test = y_test.reshape(y_test.shape[0], 1) x_train = x_train.astype("float32") x_test = x_test.astype("float32") x_train /= 255 x_test /= 255 print(x_train.shape) print(x_test.shape) print(y_train.shape) print(y_test.shape)
Input boyutumuz 150, 150, 3. MNIST veri seti üzerinde çalışırken 3. boyut 1 idi. Burada resimlerimiz renkli olduğundan 3 değerini yazdık. Modelde 3 adet Convolutional Layer mevcut. Her bir katmandaki filtre boyutu 3x3 ve filtre sayıları sırasıyla 32, 32 ve 64. Convolutional katmanlarda ReLu aktivasyon fonksiyonunu kullandık. Her katmandan sonra Pooling işlemi gerçekleştirdik. Son olarak 64 - 1 bileşen sayılı yapay sinir ağına bağladık. Daha önce oluşturduğumuz modellerden farklı olarak, son katmanın aktivasyon fonksiyonu softmax değil sigmoid fonksiyondur. Bunun sebebi, class yani sınıf sayımız 2, kedi ve köpek. Bu nedenle sigmoid kullanmamız daha mantıklı olur. Modeli compile ederken de loss fonksiyon olarak binary_crossentropy kullandık. Bunun sebebi yine aynı, sınıf sayımız 2. Training işlemine geçelim:from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten, Conv2D, MaxPooling2D inputShape = (150, 150, 3) model = Sequential() model.add(Conv2D(32, (3, 3), input_shape=inputShape)) 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']) print(model.summary()) history = model.fit(x_train, y_train, batch_size = 16, epochs = 25, validation_data = (x_test, y_test), shuffle = True) model.save("drive/ColabNotebooks/models/catsvsdogs.h5") scores = model.evaluate(x_test, y_test, verbose = 1) print("Test Loss: ", scores[0]) print("Test Accuracy: ", scores[1])
Sonuçlar ile ilgili grafikleri görelim:history = model.fit(x_train, y_train, batch_size = batchSize, epochs = epochs, validation_data = (x_test, y_test), shuffle = True) model.save("drive/ColabNotebooks/catsvsdogs.h5") >> Train on 2000 samples, validate on 1000 samples Epoch 1/25 2000/2000 [==============================] - 2s 1ms/step - loss: 0.7057 - acc: 0.5295 - val_loss: 0.6785 - val_acc: 0.6500 Epoch 2/25 2000/2000 [==============================] - 2s 934us/step - loss: 0.6615 - acc: 0.6235 - val_loss: 0.6352 - val_acc: 0.6200 Epoch 3/25 2000/2000 [==============================] - 2s 943us/step - loss: 0.6021 - acc: 0.6910 - val_loss: 0.5896 - val_acc: 0.6970 Epoch 4/25 2000/2000 [==============================] - 2s 942us/step - loss: 0.5579 - acc: 0.7250 - val_loss: 0.5521 - val_acc: 0.7340 Epoch 5/25 2000/2000 [==============================] - 2s 948us/step - loss: 0.4825 - acc: 0.7790 - val_loss: 0.5574 - val_acc: 0.7390 Epoch 6/25 2000/2000 [==============================] - 2s 953us/step - loss: 0.4357 - acc: 0.8030 - val_loss: 0.5730 - val_acc: 0.6970 Epoch 7/25 2000/2000 [==============================] - 2s 947us/step - loss: 0.3728 - acc: 0.8390 - val_loss: 0.5481 - val_acc: 0.7510 Epoch 8/25 2000/2000 [==============================] - 2s 952us/step - loss: 0.3353 - acc: 0.8555 - val_loss: 0.6093 - val_acc: 0.7410 Epoch 9/25 2000/2000 [==============================] - 2s 961us/step - loss: 0.2944 - acc: 0.8800 - val_loss: 0.6715 - val_acc: 0.7390 Epoch 10/25 2000/2000 [==============================] - 2s 961us/step - loss: 0.2445 - acc: 0.9020 - val_loss: 0.6813 - val_acc: 0.7360 Epoch 11/25 2000/2000 [==============================] - 2s 958us/step - loss: 0.2019 - acc: 0.9150 - val_loss: 0.7812 - val_acc: 0.7460 Epoch 12/25 2000/2000 [==============================] - 2s 963us/step - loss: 0.1728 - acc: 0.9330 - val_loss: 0.8849 - val_acc: 0.7490 Epoch 13/25 2000/2000 [==============================] - 2s 955us/step - loss: 0.1544 - acc: 0.9365 - val_loss: 0.9103 - val_acc: 0.7160 Epoch 14/25 2000/2000 [==============================] - 2s 966us/step - loss: 0.1372 - acc: 0.9490 - val_loss: 1.0289 - val_acc: 0.7290 Epoch 15/25 2000/2000 [==============================] - 2s 963us/step - loss: 0.1119 - acc: 0.9605 - val_loss: 1.1710 - val_acc: 0.7290 Epoch 16/25 2000/2000 [==============================] - 2s 958us/step - loss: 0.0921 - acc: 0.9685 - val_loss: 1.1511 - val_acc: 0.7250 Epoch 17/25 2000/2000 [==============================] - 2s 959us/step - loss: 0.1036 - acc: 0.9630 - val_loss: 1.2049 - val_acc: 0.7320 Epoch 18/25 2000/2000 [==============================] - 2s 954us/step - loss: 0.0938 - acc: 0.9735 - val_loss: 1.1989 - val_acc: 0.7430 Epoch 19/25 2000/2000 [==============================] - 2s 967us/step - loss: 0.0909 - acc: 0.9625 - val_loss: 1.2355 - val_acc: 0.7340 Epoch 20/25 2000/2000 [==============================] - 2s 950us/step - loss: 0.0959 - acc: 0.9680 - val_loss: 1.4185 - val_acc: 0.7460 Epoch 21/25 2000/2000 [==============================] - 2s 952us/step - loss: 0.0911 - acc: 0.9710 - val_loss: 1.6115 - val_acc: 0.7460 Epoch 22/25 2000/2000 [==============================] - 2s 949us/step - loss: 0.0854 - acc: 0.9730 - val_loss: 1.7168 - val_acc: 0.7510 Epoch 23/25 2000/2000 [==============================] - 2s 946us/step - loss: 0.1076 - acc: 0.9695 - val_loss: 1.7136 - val_acc: 0.7390 Epoch 24/25 2000/2000 [==============================] - 2s 955us/step - loss: 0.0816 - acc: 0.9715 - val_loss: 0.8445 - val_acc: 0.6890 Epoch 25/25 2000/2000 [==============================] - 2s 960us/step - loss: 0.0986 - acc: 0.9680 - val_loss: 1.7886 - val_acc: 0.7380
import matplotlib.pyplot as plt history_dict = history.history loss_values = history_dict['loss'] val_loss_values = history_dict['val_loss'] epochs = range(1, len(loss_values) + 1) line1 = plt.plot(epochs, val_loss_values, label="Validation Loss") line2 = plt.plot(epochs, loss_values, label="Training Loss") plt.setp(line1, linewidth=2.0, marker='+', markersize=10.0) plt.setp(line2, linewidth=2.0, marker='4', markersize=10.0) plt.xlabel('Epochs') plt.ylabel('Loss') plt.grid(True) plt.legend() plt.show() import matplotlib.pyplot as plt history_dict = history.history acc_values = history_dict['acc'] val_acc_values = history_dict['val_acc'] epochs = range(1, len(loss_values) + 1) line1 = plt.plot(epochs, val_acc_values, label="Validation Accuracy") line2 = plt.plot(epochs, acc_values, label="Training Accuracy") plt.setp(line1, linewidth=2.0, marker='+', markersize=10.0) plt.setp(line2, linewidth=2.0, marker='4', markersize=10.0) plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.grid(True) plt.legend() plt.show()
Yorumlamak gerekirse, accuracy ve loss değerleri gayet iyi gözükmesine rağmen validation loss değeri çok fazla, validation accuracy değeri ise düşüktür. Train set üzerinden güzel sonuç alıp, test set üzerinden kötü sonuç almamızın sebebini overfitting'e bağlayabiliriz. Overfitting yani verilerin ezberlenmesi olayını çözmek için en etkili yol olan data augmentation tekniğini önümüzdeki dökümanlarda anlatacağız. Şimdi teste geçelim:
>>import cv2 import numpy as np from keras.models import load_model from google.colab.patches import cv2_imshow classifier = load_model("drive/ColabNotebooks/models/catsvsdogs.h5") def draw_test(name, pred, inputImg): BLACK = [0, 0, 0] if pred == "[1]": pred = "cat" if pred == "[0]": pred = "dog" expandedImg = cv2.copyMakeBorder(inputImg, 0, 0, 0, imageL.shape[0], cv2.BORDER_CONSTANT, value=BLACK) cv2.putText(expandedImg, str(pred), (252, 70), cv2.FONT_HERSHEY_COMPLEX_SMALL, 4, (0, 255, 0), 2) cv2_imshow(expandedImg) for i in range(10): rand = np.random.randint(0, len(x_test)) inputImg = x_test[rand] imageL = cv2.resize(inputImg, None, fx = 2, fy = 2, interpolation = cv2.INTER_CUBIC) cv2_imshow(imageL) inputImg = inputImg.reshape(1, 150, 150, 3) res = str(classifier.predict_classes(inputImg, 1, verbose = 0)[0]) draw_test("Prediction", res, imageL)
Sonraki Yazı: Data Augmentation
Yorumlar
Henüz bir yorum bulunmuyor.