TensorFlow实现对花朵数据集的图片分类-轻识

点击下方卡片，关注“新机器视觉”公众号

重磅干货，第一时间送达

转载自：古月居

前言

利用TensorFlow实现对花朵数据集的图片分类

提示：以下是本篇文章正文内容，下面案例可供参考

一、数据集

数据集是五个分别存放着对应类别花朵图片的五个文件夹，包括daisy（雏菊）633张；dandelion（蒲公英）898张，rose（玫瑰）641张，sunflower（向日葵）699张，tulips（郁金香）799张。

二、代码

1、下载数据集

import tensorflow as tfAUTOTUNE = tf.data.experimental.AUTOTUNEimport pathlibdata_root_orig = tf.keras.utils.get_file(origin='https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz', fname='flower_photos', untar=True)data_root = pathlib.Path(data_root_orig)print(data_root)for item in data_root.iterdir():      print(item)

打印下载后的文件路径和文件成员：

output：

C:\Users\Administrator.keras\datasets\flower_photos

C:\Users\Administrator.keras\datasets\flower_photos\daisy

C:\Users\Administrator.keras\datasets\flower_photos\dandelion

C:\Users\Administrator.keras\datasets\flower_photos\LICENSE.txt

C:\Users\Administrator.keras\datasets\flower_photos\roses

C:\Users\Administrator.keras\datasets\flower_photos\sunflowers

C:\Users\Administrator.keras\datasets\flower_photos\tulips

2、统计并观察数据

#获取五个文件夹的名字label_names = sorted(item.name for item in data_root.glob('*/') if item.is_dir())label_names

output：[‘daisy’, ‘dandelion’, ‘roses’, ‘sunflowers’, ‘tulips’]

#将文件夹的名字（即花的分类）标上序号label_to_index = dict((name, index) for index, name in enumerate(label_names))label_to_index

{‘daisy’: 0, ‘dandelion’: 1, ‘roses’: 2, ‘sunflowers’: 3, ‘tulips’: 4}

#获取所以图片的标签（0,1，2,3，4）import randomall_image_paths = list(data_root.glob('*/*'))all_image_paths = [str(path) for path in all_image_paths]random.shuffle(all_image_paths)image_count = len(all_image_paths)image_count
all_image_labels = [label_to_index[pathlib.Path(path).parent.name]for path in all_image_paths]print("First 10 labels indices: ", all_image_labels[:10])

3670
First 10 labels indices: [0, 2, 3, 4, 2, 1, 4, 1, 4, 0]

下面我们先来观察一张图片

#观察第一张图片img_path = all_image_paths[0]img_path

‘C:\Users\Administrator\.keras\datasets\flower_photos\daisy\11124324295_503f3a0804.jpg’

#读取原图img_raw = tf.io.read_file(img_path)#转换成TensorFlow可以使用的tensor类型img_tensor = tf.image.decode_image(img_raw)print(img_tensor.shape)print(img_tensor.dtype)

(309, 500, 3)

#对图片按要求进行转换，这里将size规定到【192,192】；值域映射到【0,1】img_final = tf.image.resize(img_tensor, [192, 192])img_final = img_final/255.0print(img_final.shape)print(img_final.numpy().min())print(img_final.numpy().max())

(192, 192, 3)
0.0
0.99984366

定义预处理和加载函数

def preprocess_image(image):      image = tf.image.decode_jpeg(image, channels=3)      image = tf.image.resize(image, [192, 192])      image /= 255.0  # normalize to [0,1] range  return image    return imagedef load_and_preprocess_image(path):      image = tf.io.read_file(path)      return preprocess_image(image)

导入matpoltlib进行画图（导入失败的解决方案见我的另一篇博文）

import matplotlib.pyplot as pltimage_path = all_image_paths[0]label = all_image_labels[0]print (load_and_preprocess_image(img_path))plt.imshow(load_and_preprocess_image(img_path))plt.grid(False)

3、构建数据集

使用tf.data.Dataset来构建规范的数据集

#“from_tensor_slices ”方法使用张量的切片元素构建图片路径的数据集path_ds = tf.data.Dataset.from_tensor_slices(all_image_paths)#同理，构建标签数据集，并用tf.cast转换成int64数据类型label_ds = tf.data.Dataset.from_tensor_slices(tf.cast(all_image_labels, tf.int64))#根据路径获取图片，并经过加载和预处理得到图片数据集image_ds = path_ds.map(load_and_preprocess_image )image_ds

将image_ds和label_ds打包成新的数据集

image_label_ds = tf.data.Dataset.zip((image_ds, label_ds))print(image_label_ds)

画图查看我们构造完成的新数据

plt.figure(figsize=(8,8))for n,image_label in enumerate(image_label_ds.take(4)):    plt.subplot(2,2,n+1)    plt.imshow(image_label[0])    plt.grid(False)

4、迁移学习进行分类

接下来用创建的数据集训练一个分类模型，简单起见，直接用tf.keras.applications包中训练好的模型，并将其迁移到我们的图片分类问题上来。这里使用的模型是MobileNetV2模型

#迁移MobileNetV2模型，并且不加载顶层base_model=tf.keras.applications.mobilenet_v2.MobileNetV2(include_top=False,weights='imagenet',input_shape=(192,192,3))inputs=tf.keras.layers.Input(shape=(192,192,3))
#模型可视化1，使用model.summary()方法base_model.summary()

接下来，我们打乱一下数据集，并定义好训练过程中每个批次（Batch）数据的大小

#使用shuffle方法打乱数据集image_count = len(all_image_paths)ds = image_label_ds.shuffle(buffer_size = image_count)#让数据集重复多次ds = ds.repeat()#设置每个批次的大小BATCH_SIZE = 32ds = ds.batch(BATCH_SIZE)#通过prefetch方法让模型的训练和每个批次数据的加载并行ds = ds.prefetch(buffer_size = AUTOTUNE)

然后，针对MobileNetV2改变一样数据集的取值范围，因为MobileNetV2接受输入的数据值域是【-1,1】，而我们之前的预处理函数将图片的像素值映射到【0,1】

def change_range(image,label):    return 2*image-1,labelkeras_ds = ds.map(change_range)

接下来定义模型，由于预训练好的MobileNetV2返回的数据维度是（32,6，6,128），其中32是一个批次Batch的大小，“6,6”是输出的特征的大小为6*6,1280代表该层使用的1280个卷积核。为了使用花朵分类问题，需要做一下调整

model = tf.keras.Sequential([    base_model,    tf.keras.layers.GlobalAveragePooling2D(),    tf.keras.layers.Dense(len(label_names),activation="softmax")    ])

如上代码，我们用Sequentail建立我们的网络结构，base_model是迁移过来的模型，我们添加了全局评价池化层GlobalAveragePooling，经过此操作6*6的特征被降维，变为（32,1280）。

最后，由于该分类问题有五个结果，我们增加一个全连接层（Dense）将维度变为（32,5）。

最后，编译一下模型，同时制定使用的优化器，损失函数和评价标准

model.compile(optimizer = tf.keras.optimizers.Adam(),             loss='sparse_categorical_crossentropy',             metrics=['accuracy'])model.summary()

使用model.fit训练模型，epochs是训练的回合数，step_per_epoch代表每个回合要去多少个批次数据。通常等于我们数据集大小除以批次大小后取证（3670/32≈10）

model.fit(ds,epochs=10,steps_per_epoch=100)

虽然没有跑完整个代码，但是已经能看出来准确度达到一个很高的程度，并在逐步上升。

本文仅做学术分享，如有侵权，请联系删文。

—THE END—