딥러닝

다중분류모델

학습 데이터 전처리

• import 하기

import cv2
import matplotlib.pyplot as plt
import numpy as np
import os #파이썬을 이용해 시스템 정보를 확인하고 제어하는 라이브러리
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

• 파일 읽기

  • 특정 폴더 밑에 사진이름이 규칙적이지 않을 경우에는 os 모듈을 이용하자

     img = cv2.imread('./egg/40.png')
     img.shape

  • 폴더 밑에 있는 파일이나 디렉토리 이름을 얻어내는 함수

     egg_file_names= os.listdir('./egg')
     egg_file_names

• 폴더의 파일을 읽어온 후 사이즈 조절과 정규화

  egg_images = []
   for fname in egg_file_names :
       raw_img = cv2.imread("./egg/"+fname)
       raw_img_rgb = cv2.cvtColor(raw_img,cv2.COLOR_BGR2RGB) # BGR -> RGB
       resize_img = cv2.resize(raw_img_rgb, dsize=(224,224), interpolation=cv2.INTER_AREA)
       normalized_img = (np.array(resize_img,dtype=np.float32)/127.0)-1
       egg_images.append(np.array(normalized_img))
  egg_images = np.array(egg_images)
  egg_images.shape

• 이미지 확인하기

   plt.imshow(egg_images[5])
   plt.show()

  

• 다른 폴더도 하기

  flower_images = []
  for fname in flower_file_names :
       raw_img = cv2.imread("./flower/"+fname)
       raw_img_rgb = cv2.cvtColor(raw_img,cv2.COLOR_BGR2RGB) # BGR -> RGB
       resize_img = cv2.resize(raw_img_rgb, dsize=(224,224), interpolation=cv2.INTER_AREA)
       #이미지 정규화 -1~1
       normalized_img = (np.array(resize_img,dtype=np.float32)/127.0)-1
       flower_images.append(np.array(normalized_img))
  flower_images = np.array(flower_images)
  flower_images.shape

• 확인하기

   plt.imshow(flower_images[0])
   plt.show()

  

• 두 파일을 하나의 리스트로 만들기(여러개일 경우 [ ] 안에 더 추가를 한다.)

   X = np.concatenate([egg_images,flower_images])
   X.shape

• 각 폴더에 저장된 갯수만큼 곱해야된다.(여러개일 경우 [ ] 안에 더 추가를 한다.)

   #계란 0, 허브 1
   y = np.array([0] * 60 + [1] * 393)
   y.shape

모델 생성

from tensorflow.keras.models import Sequential #신경망을 붙이는 뼈대
from tensorflow.keras.layers import InputLayer, Dense # 입력층, 중간/출력층
animal_model = Sequential()# 뼈대 생성
animal_model.add(InputLayer(input_shape=(224*224*3)))
animal_model.add(Dense(units=128,activation='sigmoid'))
animal_model.add(Dense(units=128,activation='sigmoid'))
animal_model.add(Dense(units=64,activation='sigmoid'))
animal_model.add(Dense(units=32,activation='sigmoid'))
animal_model.add(Dense(units=2,activation='softmax'))

모델 학습

 animal_model.compile(loss="sparse_categorical_crossentropy",
                 optimizer='Adam',
                 metrics=['accuracy'])
 X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2, random_state=425)
 X_train.shape
 animal_model.fit(X_train.reshape(362,224*224*3),y_train, epochs=100)

reshape안의 크기는 shape에서 확인된 수를 넣는다.

모델 예측

X_test.shape
pre = animal_model.predict(X_test.reshape(91,224*224*3))

모델 평가

print(classification_report(y_test,pre.argmax(1)))