지난번 은 실패해 버렸습니다만, 시행착오의 위에, 잘 식별할 수 있게 되었습니다.
시행 착오의 궤적을 남깁니다.

이번에도 이것!

이미지의 물 증가

전회 사용한 화상은 모두 400장(정상 200장, 이상 200장)이었습니다. 이미지가 너무 적을까 생각하고 이미지를 늘리기로 했습니다. Keras에 편리한 기능이있었습니다.

자체 딥 러닝을 위한 데이터 세트를 확장하고 늘리십시오.
htps : // 이 m /은 lsp 인 g / ms / 7692504

이미지 전처리 - Keras Documentation
htps : // 케라 s. 이오/쟈/p레 p로세신 g/이마게/

참고로 한 사이트 거의 그대로입니다만, 이번 주방만의 경우, 화상의 각도가 중요하다고 생각해, 화상의 회전은 하지 않게 했습니다.


매개변수
설정값


rotation_range
코멘트 아웃

horizontal_flip
거짓

vertical_flip
거짓

    # 拡張する際の設定
    generator = ImageDataGenerator(
                    # rotation_range=90, # 90°まで回転
                    width_shift_range=0.1, # 水平方向にランダムでシフト
                    height_shift_range=0.1, # 垂直方向にランダムでシフト
                    channel_shift_range=50.0, # 色調をランダム変更
                    shear_range=0.39, # 斜め方向(pi/8まで)に引っ張る
                    horizontal_flip=False, # 垂直方向にランダムで反転
                    vertical_flip=False # 水平方向にランダムで反転
                    )

이 방법으로 이미지를 10배의 4000장(정상 2000장, 이상 2000장)으로 할 수 있었습니다.

모델 매개변수 변경

Keras의 문서를 바라보고, 이번 문제는 「개」 「고양이」 「코끼리」와 같이 복수로 나누는 것이 아니라, 「정상치」 「이상치」의 2개로 분류하는 것만의 문제라고 깨닫고 네.

Sequential 모델 가이드 - Keras Documentation
htps : // / 케라 s. 이오 / 그럼 / 껄껄 gs r d / 세쿠 엔 치아

# マルチクラス分類問題の場合
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 2値分類問題の場合
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 前回のコード（参考元のコピペです）
model.compile(loss='categorical_crossentropy',
              optimizer='SGD',
              metrics=['accuracy'])

중간의 '이진 분류 문제'의 코드로 변경했습니다.
optimizer의 의미는 공부합니다.

Optimizer : 심층 학습의 기울기 방법 이해
htps : // 코 m / 토쿠 만 / ms / 1944c00415d129

이미지의 회색조

물 늘어난 이미지를 보았을 때, 이번 문제는 색 정보는 관계 없다고 생각했습니다.
이것도 Keras에서 쉽게 할 수있었습니다. (대단해, Keras!!)

img = img_to_array(load_img(picture, target_size=(224,224), grayscale=True))

그레이스케일로 하는 것으로, 색 정보가 RGB의 3으로부터 1이 되므로, input_shape 를 추가로 지정할 필요가 있습니다. (지정하지 않으면 3 취급인가?)

model = MobileNet(include_top=True, weights=None, classes=2,input_shape=(224, 224, 1))

모델 변경(이번에는 불용)

모델을 바꾸면 결과도 바뀔까라고 생각해 보았습니다만, Raspberry Pi Zero로 예측시키려고 하면, 메모리 부족으로 동작시킬 수 없었습니다. 감각을 모르겠지만 Raspberry Pi Zero의 512MB 메모리에서 작동한다는 것은 대단한 일이지요.

예측

이미지
결과



[[9.9999988e-01 1.2415921e-07]]200g 이하! 정답!


[[1.0000000e+00 5.4107854e-08]]200g 이하! 정답!


[[8.696176e-06 9.999913e-01]]200g 이상 정답!


[[7.8308704e-10 1.0000000e+00]]200g 이상! 정답!


[[4.8343203e-08 1.0000000e+00]]200g 이상! 정답!


[[1.0000000e+00 1.5057713e-08]]200g 이하! 부정해! (주방만의 뒷면) 예상치 못한 이미지 때 어떻게 하면 좋을까


예측 소스

# coding:utf-8

from time import sleep

from keras.applications import mobilenet

from keras.models import load_model
from keras.preprocessing import image
from keras.preprocessing.image import img_to_array, load_img
import numpy as np
from keras.utils import np_utils

model = load_model('0212_my_model_0216.h5', custom_objects={
                   'relu6': mobilenet.relu6,
                   'DepthwiseConv2D': mobilenet.DepthwiseConv2D})

while True:
    X = []

    picture = '/home/pi/motion/capture/lastsnap.jpg'
    img = img_to_array(load_img(picture, target_size=(224, 224), grayscale=True))
    X.append(img)

    X = np.asarray(X)
    X = X.astype('float32')
    X = X / 255.0

    features = model.predict(X)

    print(features)
    if features[0][0] > features[0][1]:
        print('200g以下！')
    else:
        print('200g以上！')

    sleep(5)

끝에

어떻게든 잘 분류할 수 있었습니다.
다만, 역치를 200g에서 300g으로 바꾸고 싶어지면 다시 한번 학습시켜야 하는 것일까?
「멀티 클래스 분류」로 하면 좋을까?

덤

예측에 사용한 이미지와 예측 결과를 LINE Notify로 통지하면 뭔가 했던 느낌.



Python에서 LINE Notify로 LINE으로 메시지 보내기
htps : // 이 m/단 3/이고 ms/0998c18df11d4아1c7427