1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator
import matplotlib.pyplot as plt
 
 
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
 
# x_train = x_train.reshape(-1, 32, 32, 3)
# x_test = x_test.reshape(-1, 32, 32, 3)
 
x_train = x_train.astype(np.float32)/255.0
x_test = x_test.astype(np.float32)/255.0
 
 
def make_model():
    model = Sequential()
    model.add(Conv2D(input_shape=(32, 32, 3), kernel_size=(3, 3), filters=32, activation='relu'))
    model.add(Conv2D(kernel_size=(3, 3), filters=64, activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.2))
 
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dropout(0.2))
    model.add(Dense(10, activation='softmax'))
 
    return model
 
 
model = make_model()
model.compile(loss='sparse_categorical_crossentropy', optimizer=tf.keras.optimizers.Adam(), metrics=['accuracy'])
 
history = model.fit(x_train, y_train, validation_split=0.2, batch_size=64, epochs=30)
 
model.evaluate(x_test, y_test)
 
 
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.xlabel('epoch')
plt.ylabel('accuracy')
plt.legend(['train', 'validation'], loc='best')
plt.show()
 cs

 

위 소스코드를 실행시키면 아래와 같은 출력값을 확인할 수 있다. (테스트 데이터셋, accuracy 70% 내외)

 

이미지 제너레이터 사용 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator
import matplotlib.pyplot as plt
 
 
# Augmentation을 위해 2가지 함수 사용 가능 -> flow(), flow_from_directory()
# load_img() 함수는 리턴 타입이 jpeg 이므로 numpy 타입으로 변환해주기 위해, img_to_array() 사용
 
 
## flow() ##
 
img_list = []
img_name = ['./chipmonk_1.jpg', './chipmonk_2.jpg', './tiger_1.jpg', './tiger_2.jpg']
 
imageGenerator = ImageDataGenerator(rotation_range=30, width_shift_range=0.2, shear_range=0.3, horizontal_flip=True)
batch_size = 2
 
 
for i in range(len(img_name)):
    loaded_img = load_img(img_name[i], target_size=(100, 100))
    load_img_array = img_to_array(loaded_img)/255.0
    img_list.append(load_img_array)
 
 
plt.figure(figsize=(6, 6))
 
for i in range((len(img_list))):
    plt.subplot(1, len(img_list), i+1)
    plt.xticks([])
    plt.yticks([])
    plt.title(img_name[i])
    plt.imshow(img_list[i])
 
plt.show()
 
 
data_gen = imageGenerator.flow(np.array(img_list), batch_size=batch_size)
# np.array(img_list) : (100, 100, 3) -> (-1, 100, 100, 3) 4차원 텐서로 변환해주기 위해서
 
gen_image = data_gen.next() # batch_size=2 개수만큼 이미지 생성
 
plt.figure(figsize=(6, 6))
 
for i in range((len(gen_image))):
    plt.subplot(1, len(gen_image), i+1)
    plt.xticks([])
    plt.yticks([])
    plt.imshow(gen_image[i])
 
plt.show()
 cs

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator
import matplotlib.pyplot as plt
 
 
# Augmentation을 위해 2가지 함수 사용 가능 -> flow(), flow_from_directory()
 
 
## flow_from_directory() ##
 
 
imageGenerator = ImageDataGenerator(rotation_range=30, width_shift_range=0.2, shear_range=0.3,
                                    horizontal_flip=True, rescale=1./255)
batch_size = 2
image_path = './dataset/'
 
 
# class_mode : binary, categorical, sparse
data_gen = imageGenerator.flow_from_directory(directory=image_path, batch_size=batch_size,
                                            shuffle=True, target_size=(100, 100), class_mode='categorical')
 
gen_image, label = data_gen.next()
 
plt.figure(figsize=(6, 6))
 
for i in range((len(gen_image))):
    plt.subplot(1, len(gen_image), i+1)
    plt.xticks([])
    plt.yticks([])
    plt.title(str(np.argmax(label[i])))
    plt.imshow(gen_image[i])
 
plt.show()
 cs

 

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator
import matplotlib.pyplot as plt
 
 
# 데이터셋 생성
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
 
x_train = x_train.astype(np.float32)/255.0
x_test = x_test.astype(np.float32)/255.0
 
image_gen = ImageDataGenerator(rotation_range=30, shear_range=0.3, width_shift_range=0.3,
                               height_shift_range=0.3, horizontal_flip=True)
 
augment_size = int(1.2 * x_train.shape[0])  # 50000 * 1.2 = 60000
random_idx = np.random.randint(x_train.shape[0], size=augment_size)
 
x_gen = x_train[random_idx].copy()  # 원본 데이터 복사
y_gen = y_train[random_idx].copy()
 
x_gen, y_gen = image_gen.flow(x_gen, y_gen, batch_size=augment_size, shuffle=False).next()
 
x_train = np.concatenate((x_train, x_gen))  # 원본이미지에 생성된 이미지 합치기
y_train = np.concatenate((y_train, y_gen))
 
index_list = np.arange(x_train.shape[0])  # 데이터를 랜덤하게 섞음
np.random.shuffle(index_list)
 
x_train = x_train[index_list]
y_train = y_train[index_list]
 
 
# 모델 생성
def make_model():
    model = Sequential()
    model.add(Conv2D(input_shape=(32, 32, 3), kernel_size=(3, 3), padding='same', filters=32, activation='relu'))
    model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=32, activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.2))
 
    model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=64, activation='relu'))
    model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=64, activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.2))
 
    model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=128, activation='relu'))
    model.add(Conv2D(kernel_size=(3, 3), padding='same', filters=128, activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.2))
 
    model.add(Flatten())
 
    model.add(Dense(128, activation='relu'))
    model.add(Dropout(0.2))
    model.add(Dense(10, activation='softmax'))
 
    return model
 
 
model = make_model()
model.compile(loss='sparse_categorical_crossentropy', optimizer=tf.keras.optimizers.Adam(), metrics=['accuracy'])
 
history = model.fit(x_train, y_train, validation_split=0.2, batch_size=128, epochs=200)
 
model.evaluate(x_test, y_test)
 
 
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.xlabel('epoch')
plt.ylabel('accuracy')
plt.legend(['train', 'validation'], loc='best')
plt.show()
 
 cs

 

이미지 제너레이터 사용 전 : 정확도 70% 내외

이미지 제너레이터 사용 후 : 정확도 80 % 초반

 

 

반응형
저작자표시 비영리 변경금지

'머신러닝_딥러닝 > Tensorflow + Keras' 카테고리의 다른 글

(Tensorflow 2.x) CNN 3탄 (Transfer Learning)  (0) 2021.10.23
(Tensorflow 2.x) CNN 2탄 (With Garbage Classification)  (0) 2021.10.23
(Tensorflow 2.x) Fashion MNIST (With CNN)  (0) 2021.10.23
(Tensorflow 2.x) MNIST (With CNN)  (0) 2021.10.23
(Tensorflow 2.x) Classification (다중 분류)  (0) 2021.10.23

+ Recent posts

티스토리툴바