python利用CNN实现垃圾分类

1 介绍

下面主要用过CNN来实现垃圾的分类。在本数据集中，垃圾的种类有六种（和上海的标准不一样），分为玻璃、纸、硬纸板、塑料、金属、一般垃圾。
数据来源：垃圾分类数据

2 导入数据和包

import numpy as np
import matplotlib.pyplot as plt
from keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array, array_to_img
from keras.layers import Conv2D, Flatten, MaxPooling2D, Dense
from keras.models import Sequential
import glob, os, random

base_path = '../input/trash_div7612/dataset-resized'#填写你下载文件的地址
img_list = glob.glob(os.path.join(base_path, '*/*.jpg'))
print(len(img_list))

输出结果：

我们总共有2527张图片。我们随机展示其中的6张图片。

for i, img_path in enumerate(random.sample(img_list, 6)):img = load_img(img_path)img = img_to_array(img, dtype=np.uint8)plt.subplot(2, 3, i+1)plt.imshow(img.squeeze())

输出结果：

3.对数据进行分组

train_datagen = ImageDataGenerator(rescale=1./225, shear_range=0.1, zoom_range=0.1,width_shift_range=0.1, height_shift_range=0.1, horizontal_flip=True,vertical_flip=True, validation_split=0.1)test_datagen = ImageDataGenerator(rescale=1./255, validation_split=0.1)train_generator = train_datagen.flow_from_directory(base_path, target_size=(300, 300), batch_size=16,class_mode='categorical', subset='training', seed=0)validation_generator = test_datagen.flow_from_directory(base_path, target_size=(300, 300), batch_size=16,class_mode='categorical', subset='validation', seed=0)labels = (train_generator.class_indices)
labels = dict((v,k) for k,v in labels.items())print(labels)

输出结果：

4.模型的建立和训练

model = Sequential([Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=(300, 300, 3)),MaxPooling2D(pool_size=2),Conv2D(filters=64, kernel_size=3, padding='same', activation='relu'),MaxPooling2D(pool_size=2),Conv2D(filters=32, kernel_size=3, padding='same', activation='relu'),MaxPooling2D(pool_size=2),Conv2D(filters=32, kernel_size=3, padding='same', activation='relu'),MaxPooling2D(pool_size=2),Flatten(),Dense(64, activation='relu'),Dense(6, activation='softmax')
])

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['acc'])

model.fit_generator(train_generator, epochs=100, steps_per_epoch=2276//32,validation_data=validation_generator,validation_steps=251//32)

部分输出结果：

5.结果展示

下面我们随机抽取validation中的16张图片，展示图片以及其标签，并且给予我们的预测。
我们发现预测的准确度还是蛮高的，对于大部分图片，都能识别出其类别。

test_x, test_y = validation_generator.__getitem__(1)preds = model.predict(test_x)plt.figure(figsize=(16, 16))
for i in range(16):plt.subplot(4, 4, i+1)plt.title('pred:%s / truth:%s' % (labels[np.argmax(preds[i])], labels[np.argmax(test_y[i])]))plt.imshow(test_x[i])

python利用CNN实现垃圾分类相关推荐

DL之CNN：利用CNN(keras, CTC loss, {image_ocr})算法实现OCR光学字符识别
DL之CNN:利用CNN(keras, CTC loss)算法实现OCR光学字符识别目录输出结果实现的全部代码输出结果更新-- 实现的全部代码部分代码源自:GitHub https://r ...
CV：基于Keras利用CNN主流架构之mini_XCEPTION训练情感分类模型hdf5并保存到指定文件夹下
CV:基于Keras利用CNN主流架构之mini_XCEPTION训练情感分类模型hdf5并保存到指定文件夹下目录图示过程核心代码图示过程核心代码 def mini_XCEPTION(inp ...
python 利用jieba读取txt文本进行分词后存入新txt
python 利用jieba读取txt文本进行分词后存入新txt import jieba txt = open("news.txt",encoding='UTF-8').read ...
python 利用多进程实现文件的拷贝
python 利用多进程实现文件的拷贝版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/m0_37338590/article/details/784 ...
python利用什么写模板_Python利用逻辑回归分类实现模板
Logistic Regression Classifier逻辑回归主要思想就是用最大似然概率方法构建出方程,为最大化方程,利用牛顿梯度上升求解方程参数. 优点:计算代价不高,易于理解和实现. 缺点: ...
python利用决策树进行特征选择
python利用决策树进行特征选择(注释部分为绘图功能),最后输出特征排序: import numpy as np import tflearn from tflearn.layers.core im ...
python代码示例百度云-python利用百度云接口实现车牌识别的示例
一个小需求---实现车牌识别. 目前有两个想法 1. 调云在线的接口或者使用SDK做开发(配置环境和编译第三方库很麻烦,当然使用python可以避免这些问题) 2. 自己实现车牌识别算法(复杂) 一开 ...
python画图代码星星-Python利用for循环打印星号三角形的案例
简单的for循环打印三角形 1,for循环方法实现星星三角代码: for i in range(0,5): for j in range(i+1): if i == 4: print("* ...
python画笑脸-python 利用turtle库绘制笑脸和哭脸的例子
我就废话不多说了,直接上代码吧! import turtle turtle.pensize(5) turtle.pencolor("yellow") turtle.fillcolo ...