自前で用意した花画像を使ってKerasでCNN~学習編~[Keras][CNN][深層学習][Python]

flower
├─test
│  ├─daisy 153 files
│  ├─dandelion 211 files
│  ├─rose 156 files
│  ├─sunflowers 146 files
│  └─tulips 196 files
└─train
├─daisy 616 files
├─dandelion 844 files
├─rose 628 files
├─sunflower 588 files
└─tulip 788 files

import numpy as np
from keras.preprocessing.image import load_img, img_to_array
from keras.applications.vgg16 import VGG16
from keras.models import Sequential, Model
from keras.layers import Input, Dense, Dropout, Activation, Flatten
from keras.optimizers import SGD
from keras.utils import np_utils
from keras.preprocessing.image import ImageDataGenerator
# 分類クラス
classes = ['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
nb_classes = len(classes)
batch_size = 32
nb_epoch = 1
# 画像のサイズ
img_rows, img_cols = 224, 224
# モデルの構築
def build_model() :
# 画像の読み込み．今回はカラー画像の為，shapeの3番目の引数が3(ch)
input_tensor = Input(shape=(img_rows, img_cols, 3))
# VGG16はモデルの名前．引数weightsでpre-trainingしている
vgg16 = VGG16(include_top=False, weights='imagenet', input_tensor=input_tensor)
# Sequentialは単純に，前の層の全ノードから矢印を引っ張ってくるモデルを意味している
# 矢印のつなぎ方を複雑にするには，Functional APIを使う
# https://qiita.com/Ishotihadus/items/e28dd461a8ba27a2676e
_model = Sequential()
_model.add(Flatten(input_shape=vgg16.output_shape[1:]))
_model.add(Dense(256, activation='relu'))
_model.add(Dropout(0.5))
_model.add(Dense(nb_classes, activation='softmax'))
model = Model(inputs=vgg16.input, outputs=_model(vgg16.output))
# modelの14層目までのモデル重み
for layer in model.layers[:15]:
layer.trainable = False
# 損失関数と評価関数を指定
# 評価関数に関して: https://keras.io/ja/metrics/#_3
model.compile(loss='categorical_crossentropy',
optimizer=SGD(lr=1e-4, momentum=0.9), metrics=['accuracy'])
return model
if __name__ == "__main__":
# ImageDataGeneratorはリアルタイムにデータ拡張しながら，テンソル画像データのバッチを生成する
# 要はデータの水増し(Data Augumentation)に関するオプションを指定している
# https://keras.io/ja/preprocessing/image/#imagedatagenerator_1
train_datagen = ImageDataGenerator(
rescale=1.0 / 255, # 画素値のスケーリング
shear_range=0.2, # 斜め方向(pi/x)に画像を引っ張る
zoom_range=0.2, # ランダムにズーム
horizontal_flip=True) # 水平方向にランダムに回転
# train_generator: 指定したディレクトリから画像を読み込むときに使用する関数
train_generator = train_datagen.flow_from_directory(
directory= 'path/to/train',
target_size=(img_rows, img_cols),
color_mode='rgb',
classes=classes,
class_mode='categorical',
batch_size=batch_size,
shuffle=True)
# 評価用画像の用意
test_datagen = ImageDataGenerator(rescale=1.0 / 255)
test_generator = test_datagen.flow_from_directory(
directory= '/path/to/test',
target_size=(img_rows, img_cols),
color_mode='rgb',
classes=classes,
class_mode='categorical',
batch_size=batch_size,
shuffle=True)
# インスタンスの呼び出し
model = build_model()
# model.fit() でモデルを学習
model.fit_generator(
train_generator, # 訓練データの配列
steps_per_epoch=3000, # 終了した1エポックを宣言して次のエポックを始めるまでのステップ数の合計
epochs=nb_epoch, # エポック(学習の繰り返し回数を指定)
validation_data=test_generator, # 評価用データの指定
validation_steps=600 # 停止する前にバリデーションするステップの総数
)
# 学習後のモデルを書き出し
hdf5_file = "flower-model.hdf5"
model.save_weights(hdf5_file)

Found 1457 images belonging to 5 classes.
Found 706 images belonging to 5 classes.
Epoch 1/1
3000/3000 [==============================] - 1012s 337ms/step - loss: 0.1224 - acc: 0.9486 - val_loss: 6.0376 - val_acc: 0.4703