用卷积神经网络实现对小狗品种的识别

本例程是一个处理图像数据的标准的分布过程，利用CNN 实现对狗的品种的鉴定。

实现过程在代码中会有相关注释。

本例程数据集资源在这 https://download.csdn.net/download/rh8866/12532963

import os
#这里用到opencv，需要安装此包（用了清华镜像）
#pip install -i https://mirrors.aliyun.com/pypi/simple/  opencv-python
import cv2
import numpy as np
import pandas as pd
#Tqdm 是一个快速，可扩展的Python进度条，可以在 Python 长循环中添加一个进度提示信息
from tqdm import tqdmimport seaborn as sns
import matplotlib.pyplot as pltimport sklearn
from sklearn.model_selection import train_test_split

#读取数据的标签
labels = pd.read_csv('./dataset/dog-breed/labels.csv')
labels.head()
#id是train数据集样本图片的名称 ，breed是标签

#看看数据的分类统计
breed_count = labels['breed'].value_counts()
breed_count.head(10)

breed_count.shape
#可以看到有120个种类# (120,)

#将标签转成one_hot形式
targets = pd.Series(labels['breed'])
one_hot = pd.get_dummies(targets,sparse=True)
one_hot_labels = np.asarray(one_hot)

#设置样本输入模型的参数
img_rows = 128
img_cols = 128
num_channel=1

#输出一张图片看看样式
img_1 = cv2.imread('./dataset/dog-breed/train/001513dfcb2ffafc82cccf4d8bbaba97.jpg',0)
plt.title('Original Image')
plt.imshow(img_1)#输出图片shape
print(img_1.shape)#(375, 500)

#由上面的输出可以看到图片是(375, 500) ，为了方便计算我们将其调整大小为128*128
img_1_resize = cv2.resize(img_1,(img_rows,img_cols))
print(img_1_resize.shape)
#(128, 128)
plt.title('Resized Image')
plt.imshow(img_1_resize)

x_feature = []
y_feature = []i = 0
#加载训练数据和标签
for f,img in tqdm(labels.values):train_img = cv2.imread('./dataset/dog-breed/train/{}.jpg'.format(f),0)label = one_hot_labels[i]train_img_resize = cv2.resize(train_img,(img_rows,img_cols))x_feature.append(train_img_resize)y_feature.append(label)i += 1

#将数据归一化
x_train_data = np.array(x_feature,np.float32) / 255.
print(x_train_data.shape)
#为了符合keras训练数据的格式，我们给数据增加一个纬度
x_train_data = np.expand_dims(x_train_data,axis = 3)
print(x_train_data.shape)#(10222, 128, 128)
#(10222, 128, 128, 1)

y_train_data = np.array(y_feature,np.uint8)
print(y_train_data.shape)#(10222, 120)

#分割训练集和验证集
x_train,x_val,y_train,y_val = train_test_split(x_train_data,y_train_data,test_size=0.2,random_state=2)
print(x_train.shape)
print(x_val.shape)#(8177, 128, 128, 1)
#(2045, 128, 128, 1)

#接下来我们对测试数据做同样的操作
submission = pd.read_csv('./dataset/dog-breed/sample_submission.csv')
test_img = submission['id']
test_img.head()

x_test_feature = []
i = 0
for f in tqdm(test_img.values):img = cv2.imread('./dataset/dog-breed/test/{}.jpg'.format(f),0)img_resize = cv2.resize(img,(img_rows,img_cols))x_test_feature.append(img_resize)

#数据归一化
x_test_data = np.array(x_test_feature, np.float32) / 255.
print (x_test_data.shape)
#增加一个纬度
x_test_data = np.expand_dims(x_test_data, axis = 3)
print (x_test_data.shape)# (10357, 128, 128)
# (10357, 128, 128, 1)

#现在我们的训练数据，验证数据以及测试聚居都准备妥当，接下来我们开始构建模型from keras.models import Sequential
from keras.layers import Dense,Dropout
from keras.layers import Convolution2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten

#我们构建一个简单的CNN 模型model = Sequential()
#卷积层
model.add(Convolution2D(filters = 64,kernel_size = (4,4),padding = 'Same',activation='relu',input_shape = (img_rows,img_cols,num_channel)))
#池化 最大池化
model.add(MaxPooling2D(pool_size=(2,2)))
#卷积层
model.add(Convolution2D(filters = 64,kernel_size = (4,4),padding='Same',activation='relu'))
#最大池化
model.add(MaxPooling2D(pool_size=(2,2)))
#展平数据
model.add(Flatten())
#全连接
model.add(Dense(units=120,activation='relu'))
#输出层（由上面可知有120个输出）
model.add(Dense(units=120,activation='softmax'))

#编译模型
model.compile(optimizer='adam',loss = "categorical_crossentropy",metrics=['accuracy'])
model.summary()
#模型结构如下

#开始训练，我们设batch_size = 128，为了能节约时间 epochs为 2(我们只是关注该案例的个工作方法和流程，至于计算速度和准确度暂时我们不考虑，将在后续的博客中探讨这个问题)
batch_size = 128
nb_epochs = 2
history = model.fit(x_train,y_train,batch_size=batch_size,epochs=nb_epochs,verbose=2,validation_data=(x_val,y_val),initial_epoch=0)

results = model.predict(x_test_data)
prediction = pd.DataFrame(results)
col_names = one_hot.columns.values
prediction.columns = col_names
prediction.insert(0, 'id', submission['id'])submission = prediction

submission.head()

#保存预测结果
submission.to_csv('new_submission.csv', index=False)

至此本例程就结束了，精确度暂不考虑，勿喷，有好的建议欢迎评论讨论。

用卷积神经网络实现对小狗品种的识别相关推荐

卷积神经网络处理猫和狗图片
卷积神经网络处理猫和狗图片 1.将图像复制到训练.验证和测试的目录 import os, shutil #复制文件 # 原始目录所在的路径 # 数据集未压缩 original_dataset_dir ...
Kaggle深度学习与卷积神经网络项目实战-猫狗分类检测数据集
Kaggle深度学习与卷积神经网络项目实战-猫狗分类检测数据集一.相关介绍二.下载数据集三.代码示例 1.导入keras库,并显示版本号 2.构建网络 3.数据预处理 4.使用数据增强四.使用 ...
使用预处理的卷积神经网络来检测猫狗图片
使用预处理的卷积神经网络来检测猫狗图片文章目录系列文章目录前言一.预训练网络是什么? 二.特征提取 1.将VGG16卷积基实例化 2.使用预训练的卷积基提取特征 3.绘制图像总结前言本文 ...
基于卷积神经网络VGG的猫狗识别
!有需要本项目的实验源码的可以私信博主! 摘要:随着大数据时代的到来,深度学习.数据挖掘.图像处理等已经成为了一个热门研究方向.深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超 ...
CV之CNN：基于tensorflow框架采用CNN(改进的AlexNet,训练/评估/推理)卷积神经网络算法实现猫狗图像分类识别
CV之CNN:基于tensorflow框架采用CNN(改进的AlexNet,训练/评估/推理)卷积神经网络算法实现猫狗图像分类识别目录基于tensorflow框架采用CNN(改进的AlexNet, ...
卷积神经网络处理猫和狗图片（改进网络）
卷积神经网络处理猫和狗图片(改进网络) 摘要:上一篇文章<卷积神经网络处理猫和狗图片>中,训练精度随着时间线性增加,直接接近100%,而验证精度则停留在70-72%,从上一篇文章可以看出图 ...
深度学习卷积神经网络即插即用的小插件
卷积神经网络即插即用的小插件前言卷积神经网络设计技巧小插件 STN ASPP Non-local SE CBAM DCN v1&v2 BlurPool RFB ASFF 代码实现前言 ...
简单的卷积神经网络，实现手写英文字母识别
简单的卷积神经网络,实现手写英文字母识别 1 搭建Python运行环境(建议用Anaconda),自学Python程序设计安装Tensorflow.再安装Pycharm等环境.(也可用Pytorch ...
基于卷积神经网络的近红外夜间道路行人识别
near infrared nighttime road pedestrians recognition based on convolutional neural network 题目:基于卷积神经 ...

用卷积神经网络实现对小狗品种的识别

用卷积神经网络实现对小狗品种的识别相关推荐

最新文章

热门文章