VGG16
▪ VGG16의 구성?
총 38층으로,features와classifier라는 두 모듈로 나뉘어져 있고, 각 모듈 속에합성곱 층과전결합 층이 있다. (16층은 합성곱층과 전결합 층의 수를 나타냄)
사전학습 모델로 이미지 분류
전이학습을 적용하기 전에 pretrained model만 사용해서 이미지 분류를 진행해 보았다.
import numpy as np
import json
from PIL import Image
import matplotlib.pyplot as plt
%matplotlib inline
import torch
import torchvision
from torchvision import models, transforms
# *-- VGG model 읽어오기 --*
use_pretrained=True # 학습 된 파라미터 사용
net = models.vgg16(pretrained=use_pretrained)
net.eval()
# 모델 네트워크 구성 출력
print(net)net 출력 시 VGG16 모델의 구성을 확인할 수 있다.
# 전처리 클래스
class BaseTransform() :
def __init__(self , resize, mean, std) :
self.base_transform = transforms.Compose([
transforms.Resize(resize), # 짧은 변의 길이 기준으로 resize
transforms.CenterCrop(resize), # 화상 중앙을 resize * resize 로 자름
transforms.ToTensor(), # 토치 텐서로 변환
transforms.Normalize(mean, std) # 색상 정보 표준화
])
def __call__(self, img) :
return self.base_transform(img)이미지를 n*n pixel로 리사이징하고, 색상 정보를 표준화하는 전처리 클래스를 생성한다.
# 화상 읽기
image_file_path = './pytorch_advanced/1_image_classification/data/goldenretriever-3724972_640.jpg'
img = Image.open(image_file_path)
# 원본 화상 표시
plt.imshow(img)
plt.show()
# 화상 전처리 및 처리 화상 표시
resize = 224
mean = (0.485, 0.456, 0.406)
std = (0.229, .224, 0.225)
transform = BaseTransform(resize, mean, std)
img_transformed = transform(img) # torch.Size([3, 224, 224])
# (색상, 높이, 너비)를 (높이, 너비 색상)으로 변환하고 0-1로 값을 제한하여 표시
img_transformed = img_transformed.numpy().transpose((1, 2, 0))
img_transformed = np.clip(img_transformed, 0, 1)
plt.imshow(img_transformed)
plt.show()원본 이미지를 불러와서 전처리 클래스를 적용한다.
# ILSVRC 라벨 정보를 읽어 사전형 변수 생성 // 데이터 경로
ILSVRC_class_index = json.load(open('./pytorch_advanced/1_image_classification/data/
imagenet_class_index.json', 'r'))
# ILSVRCPredictor 인스턴스 생성
predictor = ILSVRCPredictor(ILSVRC_class_index)
# 입력 화상 읽기 // 데이터 경로
image_file_path = './pytorch_advanced/1_image_classification/
data/goldenretriever-3724972_640.jpg'
img = Image.open(image_file_path) # [높이][너비][RGB]
# 전처리 후 배치 크기 차원 추가
transform = BaseTransform(resize, mean, std) # 전처리 클래스
img_transformed = transform(img) # [3, 224, 224]
inputs = img_transformed.unsqueeze_(0) # [1, 3, 224, 224]
# 모델 입력 후 출력을 라벨로 변환
out = net(inputs)
result = predictor.predict_max(out)
print(f'입력 화상의 예측 결과 : {result}')전처리 적용한 이미지를 모델에 넣어 분류 결과값을 얻는다.
전이학습으로 이미지 분류
✅ pytorch로 전이학습 구현하기
- Dataset 클래스 (훈련데이터, 검증데이터, 테스트데이터의 Dataset) 작성
: 전처리 클래스 인스턴스를 할당하여 자동 전처리 적용- DataLoader 클래스(훈련데이터, 검증데이터, 테스트데이터의 DataLoader)
: Dataset에서 데이터를 어떻게 가져올지 설정 --> 일반적으론 미니배치 학습- 네트워크 모델 생성, 순전파 함수 정의
- 오차 역전파법을 하기 위한 손실함수 정의
- 네트워크 모델의 결합 파라미터를 학습시키기 위한 최적화 기법 설정 (모멘텀SGD 등)
import glob
import os.path as osp
import random
import numpy as np
import json
from PIL import Image
from tqdm import tqdm
import matplotlib.pyplot as plt
%matplotlib inline
import torch
import torch.nn as nn
import torch.optim as optim
import torch.utils.data as data
import torchvision
from torchvision import models, transforms
# random seed
torch.manual_seed(0)
np.random.seed(0)
random.seed(0)
class ImageTransform() :
'''전처리 클래스
--> 화상 크기 리사이즈, 색상 표준화.
--> 훈련 시 RandomResizedCorp 및 RandomHorizontalFlip으로 데이터 확장 '''
def __init__(self, resize, mean, std) :
self.data_transform = {
'train' : transforms.Compose([
transforms.RandomResizedCrop( resize, scale=(0.5, 1.0)),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize(mean, std)
]),
'val' : transforms.Compose([
transforms.Resize(resize),
transforms.CenterCrop(resize),
transforms.ToTensor(),
transforms.Normalize(mean, std)
])
}
def __call__(self, img, phase='train') :
'''전처리 모드 지정'''
return self.data_transform[phase](img)
# 훈련 시 화상 전처리 동작 확인
# 실행할 때마다 처리 결과 화상이 바뀜
image_file_path = './pytorch_advanced/1_image_classification/data/goldenretriever-3724972_640.jpg'
img = Image.open(image_file_path)
plt.imshow(img)
plt.show()
size = 224
mean = (0.485, 0.456, 0.406)
std = (0.229, 0.224, 0.225)
transform = ImageTransform(size, mean, std)
img_transformed = transform(img, phase='train')
img_transformed = img_transformed.numpy().transpose((1, 2, 0))
img_transformed = np.clip(img_transformed, 0 , 1)
plt.imshow(img_transformed)
plt.show()
def make_datapath_list(phase='train') :
rootpath = './pytorch_advanced/1_image_classification/data/hymenoptera_data/'
target_path = osp.join(rootpath + phase + '/**/*.jpg')
print(target_path)
path_list = []
for path in glob.glob(target_path) :
path_list.append(path)
return path_list
train_list = make_datapath_list(phase='train')
val_list = make_datapath_list(phase='val')
# train_list
# 개미와 벌의 화상에 대한 dataset 작성
class HymenoperaDataset(data.Dataset) :
def __init__(self, file_list, transform=None, phase='train') :
self.file_list = file_list
self.transform = transform
self.phase = phase
def __len__(self) :
'''화상 개수 반환'''
return len(self.file_list)
def __getitem__(self, index) :
'''전처리한 화상의 텐서 형식 데이터와 라벨 획득'''
# idx번째 화상 로드
img_path = self.file_list[index]
img = Image.open(img_path)
# 전처리
img_transformed = self.transform(img, self.phase)
# 화상 라벨을 파일 이름에서 추출
if self.phase == 'train' :
label = img_path[70 : 74]
elif self.phase == 'val' :
label = img_path[68:72]
# 라벨을 숫자로
if label == 'ants' :
label = 0
elif label == 'bees' :
label = 1
else :
print(label)
return img_transformed, label
# 실행
train_dataset = HymenoperaDataset(file_list = train_list, transform = ImageTransform(size, mean, std), phase = 'train')
val_dataset = HymenoperaDataset(file_list = val_list, transform =ImageTransform(size, mean, std), phase = 'val')
# 동작 check
index = 0
print(train_dataset.__getitem__(index)[0].size())
print(train_dataset.__getitem__(index)[1])
# 데이터 로더 작성
# mini batch
batch_size = 32
train_dataloader = torch.utils.data.DataLoader(
train_dataset, batch_size=batch_size, shuffle=True)
val_dataloader = torch.utils.data.DataLoader(
val_dataset, batch_size=batch_size, shuffle=False)
# 사전형 변수에 정리
dataloaders_dict = {'train' : train_dataloader, 'val' : val_dataloader}
# 동작 확인
batch_iterator = iter(dataloaders_dict['train'])
inputs, labels = next(batch_iterator)
print(inputs.size())
print(labels)
# pretrained VGG-16 model load
# VGG-16 인스턴스 생성
use_pretrained= True
net = models.vgg16(pretrained=use_pretrained)
# VGG16의 마지막 출력층 출력 유닛을 개미와 벌 두개로 변경
net.classifier[6] = nn.Linear(in_features=4096, out_features=2)
# 훈련 모드로 설정
net.train()
# 손실함수 설정
criterion = nn.CrossEntropyLoss()
## 최적화 기법 설정
# 전이학습에서 학습시킬 파라미터를 params_to_update 변수에 저장
params_to_update = []
# 학습시킬 파라미터 명
update_param_names = ['classifier.6.weight', 'classifier.6.bias']
# 학습시킬 파라미터 외에 경사를 계산하지 않고 변하지 않도록 설정
for name, param in net.named_parameters() :
if name in update_param_names :
param.requires_grad = True
params_to_update.append(param)
print(name)
else :
param.requires_grad = False
# params to update 내용 확인
print('-' * 50)
print(params_to_update)
# 최적화 기법 사용
optimizer = optim.SGD(params=params_to_update, lr=0.001, momentum=0.9)
## 학습 및 검증
def train_model(net , dataloaders_dict, criterion, optimizer, num_epochs) :
# 에폭
for epoch in range(num_epochs) :
print(f'Epoch {epoch + 1}/ {num_epochs}')
print('*' * 30)
# 에폭 별 학습 및 검증 루프
for phase in ['train', 'val'] :
if phase == 'train' :
net.train() # 훈련 모드
else :
net.eval() # 검증 모드
epoch_loss = 0.0
epoch_corrects = 0
# 학습 하지 않을 시 검증성능 확인을 위해 epoch= 0의 훈련 생략
if (epoch==0) and (phase == 'train') :
continue
# 데이터 로더로 미니 배치 꺼내는 루프
for inputs, labels in tqdm(dataloaders_dict[phase]) :
# 옵티마이저 초기화
optimizer.zero_grad()
# 순전파 계산
with torch.set_grad_enabled(phase == 'train') :
outputs = net(inputs)
loss = criterion(outputs, labels) # 손실 계산
_, preds = torch.max(outputs, 1) # 라벨 예측
# 훈련 시 오차 역전파
if phase == 'train' :
loss.backward()
optimizer.step()
# 반복 결과 계산, 손실 합계 갱신
epoch_loss += loss.item() * inputs.size(0)
# 정답 수의 합계 갱신
epoch_corrects += torch.sum(preds == labels.data)
# 에폭 당 손실과 정답률 표시
epoch_loss = epoch_loss / len(dataloaders_dict[phase].dataset)
epoch_acc = epoch_corrects.double() / len(dataloaders_dict[phase].dataset)
print(f'{phase} Loss {epoch_loss:.4f} Acc : {epoch_acc:.4f}')
# train_model 함수 실행
num_epochs = 2
train_model(net, dataloaders_dict, criterion, optimizer, num_epochs =num_epochs) 참고 교재 - 만들면서 배우는 파이토치 딥러닝(오가와 유타로) [깃허브]
춘식이랑 함께하는 개발일지