各位集美兄得看过来! 利用AI给青春有你2的选手们做数据分析挖掘(三):看图像识选手

各位集美兄得看过来! 利用AI给青春有你2的选手们做数据分析挖掘(一):爬虫选手信息

各位集美兄得看过来! 利用AI给青春有你2的选手们做数据分析挖掘(二):统计并展示数据

各位集美兄得看过来! 利用AI给青春有你2的选手们做数据分析挖掘(四):AI分析谁最容易出道

使用paddlehub

!pip install paddlehub==1.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
import paddlehub as hub
module = hub.Module(name="resnet_v2_50_imagenet")

hub.Module(name="resnet_v2_50_imagenet")执行出错

---------------------------------------------------------------------------FileNotFoundError                         Traceback (most recent call last)<ipython-input-102-8f639df7a42a> in <module>
----> 1 module = hub.Module(name="resnet_v2_50_imagenet")
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddlehub/module/module.py in __new__(cls, name, directory, module_dir, version)142         self._serving_func_name = self._get_func_name(self.__class__,143                                                       _module_serving_func)
--> 144         self._directory = directory145         self._initialize(**kwargs)146         self._is_initialize = True
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddlehub/module/module.py in init_with_name(cls, name, version)200                 break201         sys.path.pop(0)
--> 202         return user_module203 204     @property
FileNotFoundError: [Errno 2] No such file or directory: '/home/aistudio/.paddlehub/cache/resnet_v2_50_imagenet'

找不到模型，终端输入以下命令下载模型

hub install resnet_v2_50_imagenet

获取所有标签

import numpy as np\## 读取labelf = open(r"dataset/label_list.txt")line = f.readline()label_list = []while line:label_list.append(line.replace("\n",""))line = f.readline()f.close()

爬取图片

主要通过百度图片进行搜索爬取,，使用正则表达式获取所有图片

import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import os
## name:选手名称 basepath:图片下载目录 pn: 百度图片分页参数 pic_num:下载图片数量
def crawl_pic_urls(name,basepath,pn,pic_num):pic_urls=[]# 数据源主要是通过百度url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + name+' 青春有你 高清' + '&pn='tmp = urlnum=0while num < pic_num:try:url = tmp + str(pn)print(url)result = requests.get(url, timeout=10)pic_url = re.findall('"objURL":"(.*?)",', result.text, re.S)  # 先利用正则表达式找到图片urlif len(pic_url)>pic_num:pic_url=pic_url[0:pic_num]down_pic(name,pic_url,basepath)num+=len(pic_url)pn+=60except error.HTTPError as e:print('网络错误，请调整网络后重试')for name in label_list:crawl_pic_urls(name,'dataset/train/',0,15)crawl_pic_urls(name,'dataset/validate/',0,5)

上面为什么加“青春有你高清”，爬过安崎的图片的都懂

安崎小甜心加油！！！

下载图片，沿用上一篇

def down_pic(name,pic_urls,basepath):'''根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中,'''path =basepath+name+'/'if not os.path.exists(path):os.makedirs(path)print("正在下载:%s" %(str(name)))for i, pic_url in enumerate(pic_urls):try:pic = requests.get(pic_url, timeout=15)string = str(i + 1) + '.jpg'with open(path+string, 'wb') as f:f.write(pic.content)# 生成训练集print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url)))except Exception as e:print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url)))print(e)continue

生成dateset

根据刚刚我们download好的图片路径生成train_list.txt以及validate_list.txt

def make_trainlist(path,output_txt):f_train=open(output_txt,'w')for (dirpath,dirnames,filenames) in os.walk(path):for filename in filenames:cur_name = dirpath.split('/')[2]f_train.write(os.path.join(dirpath,filename).replace("dataset/","")+' '+str(label_list.index(cur_name))+'\n')f_train.closemake_trainlist('dataset/train','dataset/train_list.txt')
make_trainlist('dataset/validate','dataset/validate_list.txt')

初始化dataset

from paddlehub.dataset.base_cv_dataset import BaseCVDatasetclass DemoDataset(BaseCVDataset): def __init__(self): # 数据集存放位置self.dataset_dir = "dataset"super(DemoDataset, self).__init__(base_path=self.dataset_dir,train_list_file="train_list.txt",validate_list_file="validate_list.txt",test_list_file="test_list.txt",label_list_file="label_list.txt",)
dataset = DemoDataset()

生成部分train_list.txt如下：

train/王承渲/6.jpg 4
train/王承渲/3.jpg 4
train/王承渲/12.jpg 4
train/王承渲/23.jpg 4
train/王承渲/13.jpg 4
train/王承渲/29.jpg 4
train/王承渲/20.jpg 4
train/王承渲/7.jpg 4
train/王承渲/14.jpg 4
train/王承渲/30.jpg 4
train/王承渲/17.jpg 4
train/王承渲/4.jpg 4
train/王承渲/2.jpg 4
train/王承渲/22.jpg 4
train/王承渲/18.jpg 4
train/王承渲/25.jpg 4
train/王承渲/5.jpg 4
train/王承渲/24.jpg 4
train/王承渲/21.jpg 4
train/王承渲/8.jpg 4
train/王承渲/10.jpg 4
train/王承渲/1.jpg 4
train/王承渲/9.jpg 4
train/王承渲/26.jpg 4
train/王承渲/27.jpg 4
train/王承渲/15.jpg 4
train/王承渲/19.jpg 4
train/王承渲/28.jpg 4
train/王承渲/11.jpg 4
train/王承渲/16.jpg 4

生成数据读取器

接着生成一个图像分类的reader，reader负责将dataset的数据进行预处理，接着以特定格式组织并输入给模型进行训练。

当我们生成一个图像分类的reader时，需要指定输入图片的大小

data_reader = hub.reader.ImageClassificationReader(image_width=module.get_expected_image_width(),image_height=module.get_expected_image_height(),images_mean=module.get_pretrained_images_mean(),images_std=module.get_pretrained_images_std(),dataset=dataset)

配置策略

在进行Finetune前，我们可以设置一些运行时的配置，例如如下代码中的配置，表示：

use_cuda：设置为False表示使用CPU进行训练。如果您本机支持GPU，且安装的是GPU版本的PaddlePaddle，我们建议您将这个选项设置为True；
epoch：迭代轮数；
batch_size：每次训练的时候，给模型输入的每批数据大小为32，模型训练时能够并行处理批数据，因此batch_size越大，训练的效率越高，但是同时带来了内存的负荷，过大的batch_size可能导致内存不足而无法训练，因此选择一个合适的batch_size是很重要的一步；
log_interval：每隔10 step打印一次训练日志；
eval_interval：每隔50 step在验证集上进行一次性能评估；
checkpoint_dir：将训练的参数和数据保存到cv_finetune_turtorial_demo目录中；
strategy：使用DefaultFinetuneStrategy策略进行finetune；

更多运行配置，请查看RunConfig

同时PaddleHub提供了许多优化策略，如AdamWeightDecayStrategy、ULMFiTStrategy、DefaultFinetuneStrategy等，详细信息参见策略

config = hub.RunConfig(use_cuda=True,                              #是否使用GPU训练，默认为False；num_epoch=3,                                #Fine-tune的轮数；checkpoint_dir="cv_finetune_turtorial_demo",#模型checkpoint保存路径, 若用户没有指定，程序会自动生成；batch_size=3,                              #训练的批大小，如果使用GPU，请根据实际情况调整batch_size；eval_interval=10,                           #模型评估的间隔，默认每100个step评估一次验证集；strategy=hub.finetune.strategy.DefaultFinetuneStrategy())  #Fine-tune优化策略；

组建Finetune Task

有了合适的预训练模型和准备要迁移的数据集后，我们开始组建一个Task。

由于该数据设置是一个二分类的任务，而我们下载的分类module是在ImageNet数据集上训练的千分类模型，所以我们需要对模型进行简单的微调，把模型改造为一个二分类模型：

获取module的上下文环境，包括输入和输出的变量，以及Paddle Program；
从输出变量中找到特征图提取层feature_map；
在feature_map后面接入一个全连接层，生成Task；

input_dict, output_dict, program = module.context(trainable=True)
img = input_dict["image"]
feature_map = output_dict["feature_map"]
feed_list = [img.name]task = hub.ImageClassifierTask(data_reader=data_reader,feed_list=feed_list,feature=feature_map,num_classes=dataset.num_labels,config=config)

OSError: cannot identify image file 'dataset/train/王承渲/10.jpg'---------------------------------------------------------------------------EnforceNotMet                             Traceback (most recent call last)<ipython-input-307-035a73d4265a> in <module>
----> 1 run_states = task.finetune_and_eval()
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddlehub/finetune/task/base_task.py in finetune_and_eval(self)861 862     def finetune_and_eval(self):
--> 863         return self.finetune(do_eval=True)864 865     def finetune(self, do_eval=False):
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddlehub/finetune/task/base_task.py in finetune(self, do_eval)882                 while self.current_epoch <= self.config.num_epoch:883                     self.config.strategy.step()
--> 884                     run_states = self._run(do_eval=do_eval)885                     self.env.current_epoch += 1

出现以上错误就是下载的图片有问题，建议删除图片重新生成dataset

模型训练

我们选择finetune_and_eval接口来进行模型训练，这个接口在finetune的过程中，会周期性的进行模型效果的评估，以便我们了解整个训练过程的性能变化。

run_states = task.finetune_and_eval()

输出训练结果:loss=1.78397 acc=0.58333

2020-04-26 09:18:55,378] [    EVAL] - [dev dataset evaluation result] loss=0.28385 acc=0.91667 [step/sec: 11.43]
[2020-04-26 09:18:55,379] [    INFO] - Load the best model from cv_finetune_turtorial_demo/best_model
[2020-04-26 09:18:55,640] [    INFO] - Evaluation on test dataset start
[2020-04-26 09:18:55,918] [    EVAL] - [test dataset evaluation result] loss=1.78397 acc=0.58333 [step/sec: 24.63]
[2020-04-26 09:18:55,919] [    INFO] - Saving model checkpoint to cv_finetune_turtorial_demo/step_250
[2020-04-26 09:18:56,963] [    INFO] - PaddleHub finetune finished.

太低了~~~

然后分析我们爬取的图片实在是不高清又模糊，又找不到好的数据源，唯有增大数据量了，增大到每个30张

for name in label_list:crawl_pic_urls(name,'dataset/train/',0,30)crawl_pic_urls(name,'dataset/validate/',10,5)

增大数据量后 loss=0.83253 acc=0.83333 明显好多了

2020-04-26 09:39:56,898] [    EVAL] - [test dataset evaluation result] loss=0.83253 acc=0.83333 [step/sec: 23.87]
[2020-04-26 09:39:56,899] [    INFO] - Saving model checkpoint to cv_finetune_turtorial_demo/step_440
[2020-04-26 09:39:57,992] [    INFO] - PaddleHub finetune finished.

模型预测

然后我们来预测一下，看看结果怎样?

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as mpimgwith open("dataset/test_list2.txt","r") as f:filepath = f.readlines()data = [filepath[0].split(" ")[0],filepath[1].split(" ")[0],filepath[2].split(" ")[0],filepath[3].split(" ")[0],filepath[4].split(" ")[0]]label_map = dataset.label_dict()
index = 0
run_states = task.predict(data=data)
results = [run_state.run_results for run_state in run_states]for batch_result in results:print(batch_result)batch_result = np.argmax(batch_result, axis=2)[0]print(batch_result)for result in batch_result:index += 1result = label_map[result]print("input %i is %s, and the predict result is %s" %(index, data[index - 1], result))

输出结果,除了许佳琪分类不出来之外，其他都可以分类出来，准确率确实是80%左右

input 1 is dataset/test/yushuxin.jpg, and the predict result is 虞书欣
input 2 is dataset/test/xujiaqi.jpg, and the predict result is 虞书欣
input 3 is dataset/test/zhaoxiaotang.jpg, and the predict result is 赵小棠
[array([[0.16966   , 0.06858681, 0.31148672, 0.33854154, 0.11172493],[0.03498123, 0.01839942, 0.11435075, 0.01962213, 0.81264645]],dtype=float32)]
[3 4]
input 4 is dataset/test/anqi.jpg, and the predict result is 安崎
input 5 is dataset/test/wangchengxuan.jpg, and the predict result is 王承渲

参考资料

https://github.com/PaddlePaddle/PaddleHub