[딥러닝 Express] Chapter 10. 영상 인식 [예제: 강아지와 고양이 구별하기]

문제❓

CNN을 사용하여 강아지와 고양이를 분류하는 모델 생성하기

코드💻

1. 강아지와 고양이 데이터 세트

https://www.kaggle.com/c/dogs-vs-cats/data 에서 데이터를 받아왔다.

2. 라이브러리 설치

3. 이미지 출력

가져온 데이터 중의 한개의 강아지 이미지를 출력해보았다.

from matplotlib import pyplot as plt
from matplotlib.image import imread

image = imread("./PetImage/train/dog/dog.1.jpg")
plt.imshow(image)

4. 신경망 모델 생성

from tensorflow.keras import models, layers
train_dir = './PetImage/train'
test_dir = './PetImage/test'

model = models.Sequential()
model.add(layers.Conv2D(32, (3,3), activation = 'relu', input_shape = (128, 128, 3)))
model.add(layers.MaxPooling2D(2,2))
model.add(layers.Conv2D(64, (3,3), activation = 'relu'))
model.add(layers.MaxPooling2D(2,2))
model.add(layers.Flatten())
model.add(layers.Dense(units = 512, activation = 'relu'))
model.add(layers.Dense(units = 1, activation = 'sigmoid'))
model.compile(optimizer = 'adam', loss= 'binary_crossentropy', metrics = ['accuracy'])

5. 이미지 전처리

신경망에는 0에서 1사이의 실수만 투입할 수 있다.
따라서 아래의 전처리를 수행해주어야 한다.

1. JPG 이미지 파일을 읽는다.
2. JPG 압축을 풀어서 RGB 형태로 픽셀값을 복원한다.
3. 픽셀값들을 실수 형식의 넘파이 텐서로 변환한다.
4. 0~255 사이의 픽셀값들을 0.0~1.0 사이의 실수로 스케일링한다.

이러한 일련의 과정을 Keras에서 수행해준다.
바로 ImageDataGenerator()!
이전 장에서 언급했지만, 해당 메서드는 어떤 디렉토리의 이미지를 읽어서 압축을 풀고 픽셀갑들을 0.0~1.0 사이의 실수로 스케일링한다. 여기서 추가로 이미지를 회전시키거나 확대/축소하고 밀림 변환까지 수행하면서 이미지의 개수를 늘린다.

from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)

train_generator = train_datagen.flow_from_directory(train_dir,
                                                    target_size = (128, 128),
                                                    batch_size = 20,
                                                    class_model = 'binary'
                                                    )
test_generator = test_datagen.flow_from_directory(test_dir,
                                                  target_size = (128, 128),
                                                  batch_size = 20,
                                                  class_model = 'binary')

6. 훈련

데이터 제너레이터를 사용하는 경우, fit()이 아니라 fit_generator()를 사용한다.

history = model.fit_generator(
    train_generator,
    steps_per_epoch = 100,
    epochs = 10,
    validation_data = test_generator,
    validation_steps = 5)

7. 학습 결과 그래프 표시

훈련 데이터와 검증 데이터의 정확도를 표시해보았다.

import matplotlib.pyplot as plt
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.xlabel("Epoch")
plt.ylabel("Accuracy")
plt.legend(['Train','Test'], loc = 'upper left')
plt.show()