Keras教程 | 基于迁移学习实现花卉图像分类

点击上方蓝字关注我们

星标或者置顶【OpenCV学堂】

干货教程第一时间送达！

Application模块

Keras中的Application模块中有一系列基于ImageNet的预训练好的图像分类模型，这些模型如下：

• Xception

• VGG16

• VGG19

• ResNet50

• InceptionV3

• InceptionResNetV2

• MobileNet

• DenseNet

• NASNet

• MobileNetV2

加载与使用这些预训练模型可以实现一些简单的分类，ImageNet支持1000个分类。
加载VGG16模型

model = keras.applications.VGG16(weights='imagenet')

加载ResNet50模型

model= keras.applications.ResNet50(weights='imagenet')

加载VGG16模型但是不包括输出层

input_tensor = keras.Input(shape=(64, 64, 3))
vgg_model = keras.applications.VGG16(weights='imagenet', include_top=False, input_tensor=input_tensor)
vgg_model.summary()

显示模型加载以后的结构

图像分类预测

基于预训练ResNet50模型实现对图像分类预测，代码实现如下

def image_classification_demo():
    model= keras.applications.ResNet50(weights='imagenet')
    # load the image
    src = cv.imread("D:/images/space_shuttle.jpg")
    img = cv.resize(src, (224, 224))
    img = np.expand_dims(img, 0)
    proba = model.predict(img)
    result = tf.keras.applications.resnet50.decode_predictions(proba)
    print(result)
    cv.putText(src, result[0][0][1],(50, 50), cv.FONT_HERSHEY_PLAIN, 2.0, (0, 0, 255), 2, 8)
    cv.imshow("input", src)
    cv.waitKey(0)
    cv.destroyAllWindows()

基于VGG16迁移学习

数据集下载

http://download.tensorflow.org/example_images/flower_photos.tgz
5种花卉类型，接近4000张图像，分为训练集与测试集。

通过Keras的ImageDataGenerator加载数据集，代码如下

num_classes = 5
train_datagen = keras.preprocessing.image.ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)
train_generator = train_datagen.flow_from_directory(
        'D:/images/train_data/flower_photos',
        target_size=(64, 64),
        batch_size=4,
        shuffle=True,
        class_mode='categorical')
print(train_generator.classes)
print(train_generator.class_indices)

test_datagen = keras.preprocessing.image.ImageDataGenerator(rescale=1./255)
validation_generator = test_datagen.flow_from_directory(
        'D:/images/train_data/test_img',
        target_size=(64, 64),
        batch_size=4,
        class_mode='categorical')

构建迁移学习网络
使用VGG6的前面两个权重block，依赖block2_pool的输出，输入张量（64x64x3）

# 构建网络的层
x = layer_dict['block2_pool'].output
x = keras.layers.BatchNormalization()(x)
x = keras.layers.Flatten()(x)
x = keras.layers.Dense(4096, activation='relu')(x)
x = keras.layers.Dropout(0.25)(x)
x = keras.layers.Dense(num_classes, activation=tf.nn.softmax)(x)
custom_model = keras.models.Model(inputs=vgg_model.input, outputs=x)
custom_model.summary()

# 是否fine-tuning整个网络或者几层
for layer in custom_model.layers[:7]:
    layer.trainable = True

训练与保存模型

# 编译与训练
custom_model.compile(loss='categorical_crossentropy',
                     optimizer=tf.train.AdamOptimizer(0.0001),
                     metrics=['accuracy'])
custom_model.fit_generator(train_generator, epochs=10, validation_data=validation_generator)

# 保存整个模型
custom_model.save("D:/my_train/my_transfer_vgg.h5")

使用模型测试花卉种类预测

代码实现如下

def flowers_demo():
    # 加载与使用
    flower_dict = ['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
    new_model = keras.models.load_model("D:/my_train/my_transfer_vgg.h5")
    new_model.summary()
    root_dir = "D:/images/train_data/test_img/tulips/"
    for file in os.listdir(root_dir):
        src = cv.imread(os.path.join(root_dir, file))
        img = cv.resize(src, (64, 64))
        img = np.expand_dims(img, 0)
        result = new_model.predict(img)
        index = np.argmax(result)
        print(result, index)
        cv.putText(src, flower_dict[index],(50, 50), cv.FONT_HERSHEY_PLAIN, 2.0, (0, 0, 255), 2, 8)
        cv.imshow("input", src)
        cv.waitKey(0)
    cv.destroyAllWindows()

欢迎扫码加入【OpenCV研习社】

- 学习OpenCV+tensorflow开发技术
- 与更多伙伴相互交流、一起学习进步
- 每周一到每周五分享知识点学习（音频+文字+源码）
- 系统化学习知识点，从易到难、由浅入深
- 直接向老师提问、每天答疑辅导

推荐阅读

关注【OpenCV学堂】

长按或者扫码即可关注