이미지 분류(이진 분류)

https://www.kaggle.com/olavomendes/cars-vs-flowers

cars_vs_flowers

 

 두가지 레이블만 존재하는 데이터셋이다. 두가지 레이블이기 때문에 이진 분류를 사용하겠다.

 

먼저 다운로드 받은 데이터를 코랩에서 압축해제한다.

!unzip -qq '/content/drive/MyDrive/archive (1).zip'

import os
import cv2
import matplotlib.pyplot as plt

 각각 레이블의 트레이닝 이미지가 몇장인지 계산한다.

len(os.listdir('/content/dataset/cars_vs_flowers/training_set/car'))

len(os.listdir('/content/dataset/cars_vs_flowers/training_set/flower'))

 두 레이블 모두 1000장의 이미지가 있다.

 

 이미지의 파일 정보를 알아보자.

from PIL import Image
im=Image.open('/content/dataset/cars_vs_flowers/training_set/car/f0002b05b35a53e3.jpg')
print(im.format,im.size,im.mode)

 

 car 폴더와 flower 폴더의 directory를 저장한다.

car_dir=os.path.join('/content/dataset/cars_vs_flowers/training_set/car')
flower_dir=os.path.join('/content/dataset/cars_vs_flowers/training_set/flower')

 

 어떤 이미지가 들어있는지 확인해보자.

import matplotlib.image as mpimg

img=mpimg.imread(os.path.join(car_dir,car_files[0]))
# img=cv2.imread(os.path.join(car_dir,car_files[0]))
plt.imshow(img)
plt.axis('off')
plt.show()

 

 두 폴더의 사진들을 합치고 레이블을 부여한다.

x=[]
y=[]

for i in range(1000):
  img=cv2.imread(os.path.join(car_dir,car_files[i]))
  
  (b, g, r)=cv2.split(img)
  img=cv2.merge([r,g,b])
  # cv2 함수를 사용하면 텐서플로에서 오류가 발생하지 않는다
  
  img_data=np.asarray(img,dtype=np.int16)
  x.append(img_data)
  y.append(0)

  img=cv2.imread(os.path.join(flower_dir,flower_files[i]))
  (b, g, r)=cv2.split(img)
  img=cv2.merge([r,g,b])
  
  img_data=np.asarray(img,dtype=np.int16)
  x.append(img_data)
  y.append(1)

  

x=np.asarray(x).reshape(2000,128,128,3)

x.shape

 

 데이터를 섞기 위해 데이터와 레이블을 하나의 그룹으로 묵고 섞는다. 그다음 다시 나눈다.

temp=list(zip(x,y))
np.random.shuffle(temp)

x,y=zip(*temp)
x,y=np.asarray(x),np.asarray(y)

x=x/255.0

p=0.9
num_train=int(2000 * p)
x_train,x_test=x[:num_train],x[num_train:]
y_train,y_test=y[:num_train],y[num_train:]

 

 모델을 구성한다.

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.layers import Reshape,Flatten,Conv2D,MaxPooling2D,Dropout,Dense
from tensorflow.keras.models import Sequential

model=Sequential([
                  Conv2D(64,3,activation='relu',input_shape=(128,128,3)),
                  MaxPooling2D(2,2),
                  Conv2D(128,3,activation='relu'),
                  MaxPooling2D(2,2),
                  Flatten(),
                  Dropout(0.5),
                  Dense(128,activation='relu'),
                  Dense(1,activation='sigmoid')
                  
])

model.summary()

 

텐서보드를 이용하기위해 다음 코드를 작성한다.

root_logdir=os.path.join(os.curdir,'my_logs')

def get_run_logdir():
  import time
  run_id=time.strftime('run_%Y_%m_%d_%H_%M_%S')
  return os.path.join(root_logdir,run_id)

run_logdir=get_run_logdir()

 

model.compile(loss='binary_crossentropy',optimizer='rmsprop',metrics=['accuracy'])

tensorboard_cb=keras.callbacks.TensorBoard(run_logdir)

model.fit(x_train,y_train,
          epochs=30,batch_size=64,
          callbacks=[tensorboard_cb])

model.save('font_basic.h5')

%load_ext tensorboard
%tensorboard --logdir=./my_logs --port=6006

 

score=model.evaluate(x_test,y_test,verbose=False)
print('loss',score[0])
print('accuracy',score[1]*100)

 

정확도가 아쉽다. 파라미터를 조정해봐야겠다.