AI-CNN-Image-Classfier

AI CNN-Image-Classfier Report

1. 选型

卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。

2. 运行环境

选择离线训练，用的实验室服务器双路1080ti
tensorflow-gpu 1.15
keras 2.3.1
Ubuntu 14.04
cuda v10.2 GTX 1080ti
python 3.6.7
VScode

3. 具体实现

# load image from directory use image dataGenerator
datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.1,
    zoom_range=0.1,
    horizontal_flip=True
)
train_image_data = datagen.flow_from_directory(
    'datasets/la1ji1fe1nle4ishu4ju4ji22-momodel/dataset-resized',
    target_size=(150, 150),
    batch_size=32,
    class_mode='categorical'
)
print(train_image_data)
#  create model to train our image dataset cnn model

model = Sequential()

model.add(Conv2D(32, (3, 3), input_shape=(150, 150, 3)))
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((6)))
model.add(Activation('softmax'))

print(model.summary())
print(model.output_shape)

#  compile model categorical_crossentropy
model.compile(
    loss='categorical_crossentropy',
    optimizer='adam',
    metrics=['accuracy']
)
# fit the model
model.fit_generator(
    train_image_data,
    epochs=500,
    steps_per_epoch=2307 // 32
)
# save the model
model.save('results/final.h5')

test.py

from keras.models import load_model
from keras.preprocessing import image
import numpy as np
import os
import PIL.Image

# -------------------------- 请加载您最满意的模型 ---------------------------
# 加载模型(请加载你认为的最佳模型)
# 加载模型,加载请注意 model_path 是相对路径, 与当前文件同级。
# 如果你的模型是在 results 文件夹下的 dnn.h5 模型，则 model_path = 'results/dnn.h5'
model_path = 'results/final.h5'

# 加载模型，如果采用keras框架训练模型，则 model=load_model(model_path)
model = load_model(model_path)
    
# ---------------------------------------------------------------------------

def predict(img):
    """
    加载模型和模型预测
    主要步骤:
        1.图片处理
        2.用加载的模型预测图片的类别
    :param img: PIL.Image 对象
    :return: string, 模型识别图片的类别, 
            共 'cardboard','glass','metal','paper','plastic','trash' 6 个类别
    """
    # -------------------------- 实现模型预测部分的代码 ---------------------------
    # 获取图片的类别，共 'cardboard','glass','metal','paper','plastic','trash' 6 个类别
    # 把图片转换成为numpy数组
    
    img = img.resize((150,150,3),PIL.ANTLIAS)

    img = image.img_to_array(img)
    img_array = img/255
    img_array = np.expand_dims(img_array, axis=0)

    result = model.predict(img_array)
    result = np.argmax(result)
    labels = {0: 'cardboard', 1: 'glass', 2: 'metal', 3: 'paper', 4: 'plastic', 5: 'trash'}

    # 获取输入图片的类别
    y_predict = labels[result]

    # -------------------------------------------------------------------------
    
    # 返回图片的类别
    return y_predict

4. 效果

4.1 调参

5-CNN
| Epoch | Loss | Acurracy |
| :—: | :----: | :------: |
| 20 | 1.41 | 0.42 |
| 50 | 1.08 | 0.56 |
| 100 | 0.62 | 0.76 |
| 200 | 0.48 | 0.83 |
| 400 | 0.24 | 0.89 |
| 500 | 0.1125 | 0.9651 |
| 500 | 0.1125 | 0.9651 |

4.2 训练

4.3 实测效果

随机挑选16张图片并预测和显示

5. 感想

炼丹真是玄之又玄
服务器跑了一晚上果然接近0.99了
忘了参加那个AI对抗比赛，但是看了下目前榜一的accuracy(0.91) 比我的模型0.9651还弱，后悔了！！！

Keras卷积神经网络图片分类

1. 选型

2. 运行环境

3. 具体实现

4. 效果

4.1 调参

4.2 训练

4.3 实测效果

5. 感想

FEATURED TAGS

FRIENDS