Curso Tensorflow con Anaconda -20 Creando nuestros propio clasificador de imágenes (2)

20 Nuestros propio clasificador de imágenes (2)

• Hola a todos.Una vez finalizado el curso de google nos disponemos a crear nuestro propio clasificador de imágenes.En esta segunda entrada veremos en detalle el código implementado para poder entrenar nuestro modelo.

• Os dejo un vídeo donde explico que hace el código implementado con el objetivo de clasificar nuestros conjuntos de imágenes de perros y de gatos que descargamos en el capítulo anterior:

• Os dejo el código visto en el vídeo:

 

#importamos librerias necesarias

import sys

from PIL import Image

sys.modules['Image'] = Image 

import os

from tensorflow.python.keras import optimizers #libreria optimizadores para entrenar modelo

from tensorflow.python.keras.preprocessing.image import ImageDataGenerator # libreria prepocesa imagenes

from tensorflow.python.keras.layers import Dropout, Flatten, Dense, Activation # Libreria para las capas

from tensorflow.python.keras.layers import  Convolution2D, MaxPooling2D #capas donde hacemos convuliones

from tensorflow.python.keras.models import Sequential # libreria para redes neuronales secuenciales

from tensorflow.python.keras import backend as K 

from tensorflow.python.keras import applications

K.clear_session() # limpiamos por si hubiera algo corriendo

datosEntrenamiento = './imagenes/entrenamiento' #ruta imagenes enetrenamiento

datosValidacion = './imagenes/validacion' # ruta imagenes validacion

longitud, altura = 224, 224 

#longitud y altura de las imagenes.Le pongo 224 en el ancho y alto porque es lo que se espera el

 #el modelo preentrenado

    

#reescalamos las imágenes para que los valores en vez de ir de 1 a 255(posibles valores pixel) vayan de 0 a 1.

#shear_range--> inclina imágenes

#horizontal_flip --> invierte imágenes

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

#en el grupo de validación simplemente reescalamos

validacionDatagen = ImageDataGenerator(rescale=1. / 255)

#carga las imágenes de entrenammiento y las procesa según la altura pasada y las clasifica en modo el modo categorical

Entrenamiento = entDatagen.flow_from_directory(datosEntrenamiento,

                                                  target_size=(altura, longitud),batch_size=32,class_mode='categorical')

#carga las imágenes de validación y las procesa según la altura pasada y las clasifica en modo el modo categorical

Validacion = validacionDatagen.flow_from_directory(datosValidacion,

                                                             target_size=(altura, longitud),

                                                              batch_size=32, class_mode='categorical')

#cargamo el modelo preentrenado

vgg=applications.vgg16.VGG16()

#vgg=applications.vgg16.VGG16()# Ejemplo del modelo

cnn=Sequential()

#cargamos las capas del modelo preentrenado en nuestro modelo secuencial y quitamos la última capa

for capa in vgg.layers:

    cnn.add(capa)

cnn.layers.pop()

#queremos que solo se entrenna la capa que añadimos nosotros asi que le decimos  layer.trainable=False

for layer in cnn.layers:

    layer.trainable=False

#añadimos nuestra capa

cnn.add(Dense(2,activation='softmax'))

#compilamos nuestro modelo utilizando el optimizado de Adam

cnn.compile(loss='categorical_crossentropy',

            optimizer=optimizers.Adam(lr=0.0004),

            metrics=['accuracy'])

#utilizamos la función v para entrenar el algoritmo

cnn.fit_generator(Entrenamiento,steps_per_epoch=100,epochs=20,validation_data=Validacion,validation_steps=300)

#una vez entreando guardamos nuestro modelo

cnn.save('./modelo/modelo.h5')

cnn.save_weights('./modelo/pesos.h5')

    

import numpy as np

from tensorflow.keras.preprocessing.image import load_img, img_to_array

from tensorflow.python.keras.models import Sequential # libreria para redes neuronales secuenciales

from tensorflow.keras.models import load_model

from tensorflow.python.keras import applications

from tensorflow.python.keras.layers import  Dense

longitud, altura = 224, 224

weights_model='./modelo/pesos.h5'  

vgg=applications.vgg16.VGG16()

cnn=Sequential()

for capa in vgg.layers:

    cnn.add(capa)

cnn.layers.pop()

for layer in cnn.layers:

    layer.trainable=False

cnn.add(Dense(2,activation='softmax'))  

cnn.load_weights(weights_model)

def predict(file):

  x = load_img(file, target_size=(longitud, altura))

  x = img_to_array(x)

  x = np.expand_dims(x, axis=0)

  array = cnn.predict(x)

  result = array[0]

  answer = np.argmax(result)

  if answer == 0:

    print("Gato")

  elif answer == 1:

    print("Perro")

  return answer