介绍

DeepFashion等数据集的可用性为时尚行业开辟了新的可能性。在本系列文章中，我们将展示一个人工智能驱动的深度学习系统，它可以帮助我们更好地了解客户的需求，从而彻底改变时装设计行业。

在这个项目中，我们将使用：

Jupyter Notebook作为IDE
库：
- TensorFlow 2.0
- NumPy
- MatplotLib
DeepFashion数据集的自定义子集——相对较小以减少计算和内存开销

我们假设您熟悉深度学习的概念，以及Jupyter Notebooks和TensorFlow。如果您是 Jupyter Notebooks的新手，请从本教程开始。欢迎您下载项目代码。

在上一篇文章中，我们讨论了要使用的数据子集，并制定了问题。在本文中，我们将迁移学习应用于VGG16深度网络，以对来自DeepFashion数据集的图像中的衣服进行分类。我们将微调VGG16预训练模型以适应将衣服分为15个不同类别的任务。网络将在包含9,935张图像的子集上进行训练。

加载数据集

在这个项目中，我们将使用TensorFlow和Keras对VGG16进行微调，因为Keras提供了用于加载数据、加载预训练模型和微调的易于使用的工具。ImageDataGenerator工具将帮助我们加载、规范化、调整大小和重新缩放数据。

首先，让我们导入我们需要的库：

import os
import matplotlib.pyplot as plt
import matplotlib.image as img
import tensorflow.keras as keras
import numpy as np
import tensorflow as tf
config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))

现在我们有了基础知识，让我们导入ImageDataGenerator，添加我们的数据目录，然后开始加载训练和验证数据。验证数据将仅占我们训练数据的10%：我们只需要验证数据在训练期间微调VGG16的超参数。我们在这部分代码中设置了批量大小。您可以设置其值以适合您的机器能力和内存。

datasetdir = r'C:\Users\myuser\Desktop\\DeepFashion\Train'
os.chdir(datasetdir)
from tensorflow.keras.preprocessing.image import ImageDataGenerator
batch_size = 3def DataLoad(shape, preprocessing): '''Create the training and validation datasets for a given image shape.'''imgdatagen = ImageDataGenerator(preprocessing_function = preprocessing,horizontal_flip = True, validation_split = 0.1,)height, width = shapetrain_dataset = imgdatagen.flow_from_directory(os.getcwd(),target_size = (height, width), classes = ['Blazer', 'Blouse', 'Cardigan', 'Dress', 'Jacket','Jeans', 'Jumpsuit', 'Romper', 'Shorts', 'Skirts', 'Sweater', 'Sweatpants', 'Tank', 'Tee', 'Top'],batch_size = batch_size,subset = 'training', )val_dataset = imgdatagen.flow_from_directory(os.getcwd(),target_size = (height, width), classes = ['Blazer', 'Blouse', 'Cardigan', 'Dress', 'Jacket','Jeans', 'Jumpsuit', 'Romper', 'Shorts', 'Skirts', 'Sweater', 'Sweatpants', 'Tank', 'Tee', 'Top'],batch_size = batch_size,subset = 'validation')return train_dataset, val_dataset

现在DalaLoad函数已设置，让我们使用它来提取我们的训练和验证数据，并将图像调整为适合我们预训练模型的形状：224 x 224 x 3。

train_dataset, val_dataset = DataLoad((224,224), preprocessing=vgg16.preprocess_input)

我们现在可以在顺序加载单个数据集的图像时将ImageDataGenerator的next函数用作迭代器。使用next，您将分别将训练图像和标签保存在X_train和y_train参数中。您可以将相同的函数应用于验证和测试数据。

# Function for plots images with labels within jupyter notebook
X_train, y_train = next(train_dataset)

如您所见，我们有7,656张图像作为训练数据，属于15个不同的类别，以及842张验证图像。

从Keras加载预训练模型 (VGG16)

是时候从Keras加载VGG16网络并显示其基线了：

vgg16 = keras.applications.vgg16
conv_model = vgg16.VGG16(weights='imagenet', include_top=False)
conv_model.summary()

接下来，我们加载该网络的ImageNet权重，以便我们可以在迁移学习期间使用它们。

conv_model = vgg16.VGG16(weights='imagenet', include_top=False, input_shape=(224,224,3))

加载网络基线及其相应的权重后，让我们开始重构VGG16以对15种不同的服装类别进行分类。为此，我们将添加一个展平层、三个100个节点的密集层、一个15层的密集层代表15个服装类别，以及一个Softmax层来显示类别（类别）概率。

# flatten the output of the convolutional part:
x = keras.layers.Flatten()(conv_model.output)
# three hidden layers
x = keras.layers.Dense(100, activation='relu')(x)
x = keras.layers.Dense(100, activation='relu')(x)
x = keras.layers.Dense(100, activation='relu')(x)
# final softmax layer with 15 categories
predictions = keras.layers.Dense(15, activation='softmax')(x)# creating the full model:
full_model = keras.models.Model(inputs=conv_model.input, outputs=predictions)
full_model.summary()

下一步

在接下来的文章中，我们将向你展示如何训练VGG19以认识人们穿的什么衣服。敬请关注！

https://www.codeproject.com/Articles/5297322/Preparing-Data-for-AI-Fashion-Classification

（二）为AI时尚分类准备数据相关推荐

（四）在真实数据上运行AI时尚分类
目录介绍评估测试图像计算错误分类图像的数量使用特定数据集评估模型使用相机图像评估模型提升网络性能下一步下载源 - 120.7 MB 介绍 DeepFashion等数据集的可用性为时尚行 ...
【数据竞赛】京东AI时尚挑战赛总结
比赛名称:京东AI时尚挑战赛比赛链接:https://fashion-challenge.github.io 比赛类型:计算机视觉.图像分类/检索分享内容:比赛介绍 & 优胜选手思路比赛 ...
大数据早报：合肥公证机构启用人脸识别系统；阿里AI时尚助手进驻全国13家门店（11.16）
数据早知道,上乐投网看早报! 『融资』众盟数据完成3亿元B轮系列融资,以线下数据资产化赋能新零售近日,国内最大的线下数据服务平台ZMT众盟(简称众盟数据)宣布完成1.8亿元B+轮融资,本轮融资由云锋 ...
38-博客网站数据库-博文分类信息数据操作(二)
38-博客网站数据库-博文分类信息数据操作(二) 项目描述当今网上微博.博客发布信息已经成为主要的信息发布.传播的系统,如何对这些数据进行管理,本项目主要是对博客网站中的博文分类信息表.博文信息表进 ...
极市电大 | 京东AI时尚挑战赛Top3技术方案
一.京东AI时尚挑战赛Top3﹀北京时间2018年9月16日,由京东AI平台与研究部发起的从七月开始的京东AI时尚挑战赛正式在ChinaMM2018大会上圆满落幕! 大会现场而经过两个多月的角逐, ...
【科普】AI的分类与演进
来源:物联网智库摘要:AI是人工通过高强度的计算能力,并基于大量的环境数据.行为数据.历史数据等大数据支持,或是一定规则的自学习机制,来分析特定输入的情况下,事物的相关性.影响和可能处理方法,从而使 ...
cuda二维数组内存分配和数据拷贝
uda二维数组内存分配和数据拷贝 2016-04-20 10:54 138人阅读评论(0) 收藏举报分类: 机器学习(11) 人工智能(9) 版权声明:本文为博主原创文章,允许转载. 因为cud ...
AI时尚前沿趋势，时尚黑客聚集ing ｜FashionHack专栏
- AI DISCOVERY - 算法 + 怀旧 + 2020 = 我们的未来央美讲座<后疫情时代艺术.时尚和品牌对社会的贡献> 法国奢侈品牌路易威登现任男装艺术总监 Virgil A ...
Adaboost方法分类新闻数据
使用Adaboost方法,以一级决策树树桩(Stump)为基础建立弱分类器,形式为:(feature, threshold, positive/negtive). 设定的最大轮数为20,最终使用了16 ...

（二）为AI时尚分类准备数据

介绍

加载数据集

从Keras加载预训练模型 (VGG16)

下一步

（二）为AI时尚分类准备数据相关推荐

最新文章

热门文章