訂閱
糾錯
加入自媒體

如何構(gòu)建一個 CNN 模型,以從圖像中對幼苗的種類進(jìn)行分類?


將 CNN 擬合到數(shù)據(jù)上

接下來是將 CNN 模型擬合到我們的數(shù)據(jù)集上,這樣模型將從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)并更新權(quán)重。這個經(jīng)過訓(xùn)練的 CNN 模型可以進(jìn)一步用于獲得對我們測試數(shù)據(jù)集的最終預(yù)測。我們必須遵循一些先決條件,例如降低學(xué)習(xí)率、找到模型的最佳權(quán)重并保存這些計算出的權(quán)重,以便我們可以進(jìn)一步使用它們進(jìn)行測試和獲得預(yù)測。

根據(jù)我們的常識,我們需要以下內(nèi)容

模型的最佳權(quán)重

降低學(xué)習(xí)率

保存模型的最后權(quán)重

lrr = ReduceLROnPlateau(monitor='val_acc',
                       patience=3,
                       verbose=1,
                       factor=0.4,
                       min_lr=0.00001)
filepath="drive/DataScience/PlantReco/weights.best_{epoch:02d}-{val_acc:.2f}.hdf5"
checkpoints = ModelCheckpoint(filepath, monitor='val_acc',
                             verbose=1, save_best_only=True, mode='max')
filepath="drive/DataScience/PlantReco/weights.last_auto4.hdf5"
checkpoints_full = ModelCheckpoint(filepath, monitor='val_acc',
                                verbose=1, save_best_only=False, mode='max')
callbacks_list = [checkpoints, lrr, checkpoints_full]
#MODEL
# hist = model.fit_generator(datagen.flow(trainX, trainY, batch_size=75),
#                            epochs=35, validation_data=(testX, testY),
#                            steps_per_epoch=trainX.shape[0], callbacks=callbacks_list)
# LOADING MODEL
model.load_weights("../input/plantrecomodels/weights.best_17-0.96.hdf5")
dataset = np.load("../input/plantrecomodels/Data.npz")
data = dict(zip(("x_train","x_test","y_train", "y_test"), (dataset[k] for k in dataset)))
x_train = data['x_train']
x_test = data['x_test']
y_train = data['y_train']
y_test = data['y_test']
print(model.evaluate(x_train, y_train))  # Evaluate on train set
print(model.evaluate(x_test, y_test))  # Evaluate on test set

混淆矩陣

混淆矩陣是一種檢查我們的模型如何處理數(shù)據(jù)的方法。這是分析模型錯誤的好方法。檢查以下代碼以獲取混淆矩陣

# PREDICTIONS
y_pred = model.predict(x_test)
y_class = np.a(chǎn)rgmax(y_pred, axis = 1)
y_check = np.a(chǎn)rgmax(y_test, axis = 1)
cmatrix = confusion_matrix(y_check, y_class)
print(cmatrix)

獲得預(yù)測

在最后一部分,我們將獲得對測試數(shù)據(jù)集的預(yù)測。

檢查以下代碼以使用經(jīng)過訓(xùn)練的模型獲取預(yù)測

path_to_test = '../input/plant-seedlings-classification/test.png'
pics = glob(path_to_test)
testimages = []
tests = []
count=1
num = len(pics)
for i in pics:
   print(str(count)+'/'+str(num),end='r')
   tests.a(chǎn)ppend(i.split('/')[-1])
   testimages.a(chǎn)ppend(cv2.resize(cv2.imread(i),(scale,scale)))
   count = count + 1
testimages = np.a(chǎn)sarray(testimages)

newtestimages = []
sets = []
getEx = True
for i in testimages:
   blurr = cv2.GaussianBlur(i,(5,5),0)
   hsv = cv2.cvtColor(blurr,cv2.COLOR_BGR2HSV)
   lower = (25,40,50)
   upper = (75,255,255)
   mask = cv2.inRange(hsv,lower,upper)
   struc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(11,11))
   mask = cv2.morphologyEx(mask,cv2.MORPH_CLOSE,struc)
   boolean = mask>0
   masking = np.zeros_like(i,np.uint8)
   masking[boolean] = i[boolean]
   newtestimages.a(chǎn)ppend(masking)
   if getEx:
       plt.subplot(2,3,1);plt.imshow(i)
       plt.subplot(2,3,2);plt.imshow(blurr)
       plt.subplot(2,3,3);plt.imshow(hsv)
       plt.subplot(2,3,4);plt.imshow(mask)
       plt.subplot(2,3,5);plt.imshow(boolean)
       plt.subplot(2,3,6);plt.imshow(masking)
       plt.show()
       getEx=False
newtestimages = np.a(chǎn)sarray(newtestimages)
# OTHER MASKED IMAGES
for i in range(6):
   plt.subplot(2,3,i+1)
   plt.imshow(newtestimages[i])

Newtestimages=newtestimages/255
prediction = model.predict(newtestimages)
# PREDICTION TO A CSV FILE
pred = np.a(chǎn)rgmax(prediction,axis=1)
predStr = labels.classes_[pred]
result = {'file':tests,'species':predStr}
result = pd.DataFrame(result)
result.to_csv("Prediction.csv",index=False)、

尾注

所以在本文中,我們詳細(xì)討論了使用 CNN進(jìn)行植物幼苗分類。希望你能從文中學(xué)到一些東西,它會在未來對你有所幫助。

<上一頁  1  2  3  
聲明: 本文由入駐維科號的作者撰寫,觀點(diǎn)僅代表作者本人,不代表OFweek立場。如有侵權(quán)或其他問題,請聯(lián)系舉報。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無評論

暫無評論

人工智能 獵頭職位 更多
掃碼關(guān)注公眾號
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯
x
*文字標(biāo)題:
*糾錯內(nèi)容:
聯(lián)系郵箱:
*驗(yàn) 證 碼:

粵公網(wǎng)安備 44030502002758號