5) 判定部分の実装
学習ができたところで、学習済みモデルを利用して未知の画像を判定する部分を実装していきます。
判定対象画像の読み込み
まず画像の読み込みですが、学習時とは違って特定の1枚の画像を読み込むという操作なので、ImageDataGenerator
とは違う方法を使っていきます。
具体的にはkeras.preprocessing.image
パッケージで提供されているload_img
とimg_to_array
を用います。
from keras.preprocessing.image import load_img, img_to_array import numpy as np ... image_infer = load_img(args.infer, target_size=(input_size_x, input_size_y)) data_infer = img_to_array(image_infer) data_infer = np.expand_dims(data_infer, axis=0) data_infer = data_infer / 255.0
load_img
で画像ファイルを読みこみ、img_to_array
でKerasで扱える形式に変換します。
np.expand_dims
という部分は、「1枚の画像」を「1枚の画像を含む配列」に変換する操作です。
Kerasの判定処理を行う機能が「復数の画像を含む配列」という形式を要求するため、このような操作を行っています。
最後に画像データの各ピクセルの値を255で割っていますが、これは各ピクセルの値を0以上1以下に正規化する操作で、学習用のブロックでImageDataGenerator(rescale=1.0 / 255)
とした部分に対応しています。
判定処理
判定を行う前にload_weights
メソッドで学習済みモデルを読み込む必要があります。
その後predict
メソッドで判定処理を実行します。
# 判定処理の実行 model.load_weights(os.path.join(checkpoint_dir, 'mydnn_weights.hdf5')) result = model.predict(data_infer)[0] * 100 # 判定結果の出力 if result[0] > result[1]: print('Cat (%.1f%%)' % result[0]) else: print('Dog (%.1f%%)' % result[1])
predict
の結果としては「復数の画像に対する判定結果の配列」が返ってきます。今回は画像が1枚だけですので[0]
で直接取り出しています。
個々の結果は[猫である確率, 犬である確率]
という形式になっており、今回はこれに100をかけてパーセンテージの値を得ています。
猫が先に来ているのは、ImageDataGenerator
による学習データ読み込み時にディレクトリ名を用いて順序が決められるためです。
コード完成
これらのコードを含めて、いよいよcat_dog_dnn_keras.py
の完成となります:
import argparse from keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array import numpy as np import os from mydnn_keras import MyDNN input_size_x = 224 input_size_y = 224 batch_size = 20 input_size_c = 3 output_size = 2 epochs = 10 checkpoint_dir = 'ckpt' parser = argparse.ArgumentParser() parser.add_argument("--infer", action="store", nargs="?", type=str, help="学習は行わず、このオプションで指定した画像ファイルの判定処理を行う") args = parser.parse_args() model = MyDNN(input_shape=(input_size_x, input_size_y, input_size_c), output_size=output_size) if not args.infer: print("学習モード") # 学習データの読み込み keras_idg = ImageDataGenerator(rescale=1.0 / 255) train_generator = keras_idg.flow_from_directory('data/train', target_size=(input_size_x, input_size_y), batch_size=batch_size, class_mode='categorical') valid_generator = keras_idg.flow_from_directory('data/valid', target_size=(input_size_x, input_size_y), batch_size=batch_size, class_mode='categorical') # 学習の実行 num_data_train_dog = len(os.listdir('data/train/dog')) num_data_train_cat = len(os.listdir('data/train/cat')) num_data_train = num_data_train_dog + num_data_train_cat num_data_valid_dog = len(os.listdir('data/valid/dog')) num_data_valid_cat = len(os.listdir('data/valid/cat')) num_data_valid = num_data_valid_dog + num_data_valid_cat model.fit_generator(train_generator, validation_data=valid_generator, epochs=epochs, steps_per_epoch=num_data_train/batch_size, validation_steps= num_data_valid/batch_size) # 学習済みモデルの保存 os.makedirs(checkpoint_dir, exist_ok=True) model.save_weights(os.path.join(checkpoint_dir, 'mydnn_weights.hdf5')) else: print("判定モード") # 判定する画像の読み込み image_infer = load_img(args.infer, target_size=(input_size_x, input_size_y)) data_infer = img_to_array(image_infer) data_infer = np.expand_dims(data_infer, axis=0) data_infer = data_infer / 255.0 # 判定処理の実行 model.load_weights(os.path.join(checkpoint_dir, 'mydnn_weights.hdf5')) result = model.predict(data_infer)[0] * 100 # 判定結果の出力 if result[0] > result[1]: print('Cat (%.1f%%)' % result[0]) else: print('Dog (%.1f%%)' % result[1])
判定モードのブロックが実装された他に、import部分が少し追加されていることに注意してください。
※TensorFlow, the TensorFlow logo and any related marks are trademarks of Google Inc.
その他、本コンテンツ内で利用させて頂いた各プロダクト名やサービス名などは、各社もしくは各団体の商標または登録商標です。