[PYTHON] Ein Anfänger des maschinellen Lernens versuchte an einem Tag, eine Sheltie-Urteils-KI zu erstellen
Vielen Dank
Zunächst habe ich es als Referenz verwendet. Vielen Dank.
https://qiita.com/yottyann1221/items/a08300b572206075ee9f https://qiita.com/tomo_20180402/items/e8c55bdca648f4877188 https://qiita.com/mainvoidllll/items/db991dc30d3ddced6250 https://newtechnologylifestyle.net/keras_imagedatagenerator/
Ich habe kostenlose Bilder für die veröffentlichten Bilder verwendet. https://pixabay.com/ja/
Einführung
Einführung in das maschinelle Lernen. Es scheint, dass es nach einer kurzen Runde so weitergehen wird.
- Bereiten Sie eine große Anzahl von Bildern vor
- Erstellen Sie Lehrer- / Testdaten
- Erstellen Sie ein Modell
- Mit Modell auswerten
Dieses Mal habe ich beschlossen, ein Shelty-Assessment-Programm mit Bilderkennung zu erstellen.
Umgebung
Ich habe Python3 unter Windows 10 in schokoladig gesetzt. Erstellen Sie mit venv eine virtuelle Umgebung und stellen Sie die erforderlichen Bibliotheken bereit.
> mkdir -p e:\python\ml
> cd e:\python\ml
> python -m venv ml
> .\ml\Scripts\activate
(ml)> pip install requests
(ml)> pip install beautifulsoup4
#Ich erhalte die folgende Fehlermeldung, wenn ich lxml nicht einbinde
# bs4.FeatureNotFound: Couldn't find a tree builder with the features you requested: lxml. Do you need to install a parser library?
(ml)> pip install lxml
(ml)> pip install pillow
#Setzen Sie die neueste Nummer und np.load()Dann erscheint der folgende Fehler, geben Sie also die alte Version an
# ValueError: Object arrays cannot be loaded when allow_pickle=False
(ml)> pip install numpy==1.16.2
(ml)> pip install sklearn
(ml)> pip install tensorflow
(ml)> pip install keras
(ml)> pip install matplotlib
Verfassung
Ich habe es so gemacht.
e:\python\ml
├─ml
└─src
├─data
│ ├─img
│ │ ├─original :Originalbild durch Schaben erhalten
Elty │ │ ├ Shelty
Org │ │ ├ Corgi
Coll │ │ └ Border Collie
│ │ ├─trimmed :Bild nach dem Entfernen unnötiger Bilder verlassen
Elty │ │ ├ Shelty
Org │ │ ├ Corgi
Coll │ │ └ Border Collie
│ │ ├─excluded :Unnötiges Bild
Elty │ │ ├ Shelty
Org │ │ ├ Corgi
Coll │ │ └ Border Collie
│ │ ├─extended :Bild, das durch Verarbeiten des verbleibenden Bildes aufgeblasen wird
Elty │ │ ├ Shelty
Org │ │ ├ Corgi
Coll │ │ └ Border Collie
│ │ └─test :Bild zur Überprüfung der Funktionsweise von AI
│ ├─train_test_data
│ │ └─data.npy :Lehrer- / Testdaten, die mit erweiterten Bildern erstellt wurden
│ ├─model :Modell erstellt
│ │ ├─Training_and_validation_accuracy.png
│ │ ├─Training_and_validation_loss.png
│ │ ├─model_predict.hdf5
│ │ └─model_predict.json
├─img_scraper :Bildkratzen
│ ├─google_search.py
│ └─main.py
├─img_trimmer :Bildentfernung
│ └─main.py
├─img_duplicator :Bildauffüllung
│ └─main.py
├─train_test_data_generator :Erstellung von Lehrer- / Testdaten
│ └─main.py
├─model_generator :Modellgenerierung
│ └─main.py
└─ai :Shelty Urteil
└─main.py
Bildkratzen
Bereiten Sie zunächst ein Bild vor. Dieses Mal habe ich 300 Blatt gleichzeitig abgekratzt.
img_scraper\google_search.py
# -- coding: utf-8 --
import json
from urllib import parse
import requests
from bs4 import BeautifulSoup
class Google:
def __init__(self):
self.GOOGLE_SEARCH_URL = 'https://www.google.co.jp/search'
self.session = requests.session()
self.session.headers.update({
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:57.0) Gecko/20100101 Firefox/57.0'})
def Search(self, keyword, type='text', maximum=1000):
'''Google-Suche'''
print('Google', type.capitalize(), 'Search :', keyword)
result, total = [], 0
query = self.query_gen(keyword, type)
while True:
#Suche
html = self.session.get(next(query)).text
links = self.get_links(html, type)
#Suchergebnisse hinzufügen
if not len(links):
print('-> No more links')
break
elif len(links) > maximum - total:
result += links[:maximum - total]
break
else:
result += links
total += len(links)
print('->Ergebnis', str(len(result)), 'Ich habe die Links von')
return result
def query_gen(self, keyword, type):
'''Suchabfrage-Generator'''
page = 0
while True:
if type == 'text':
params = parse.urlencode({
'q': keyword,
'num': '100',
'filter': '0',
'start': str(page * 100)})
elif type == 'image':
params = parse.urlencode({
'q': keyword,
'tbm': 'isch',
'filter': '0',
'ijn': str(page)})
yield self.GOOGLE_SEARCH_URL + '?' + params
page += 1
def get_links(self, html, type):
'''Link abrufen'''
soup = BeautifulSoup(html, 'lxml')
if type == 'text':
elements = soup.select('.rc > .r > a')
links = [e['href'] for e in elements]
elif type == 'image':
elements = soup.select('.rg_meta.notranslate')
jsons = [json.loads(e.get_text()) for e in elements]
links = [js['ou'] for js in jsons]
return links
img_scraper\main.py
# -- coding: utf-8 --
import os
import requests
import google_search
#Suchbegriff
KEYWORDS = [u'Shelty', u'Corgi', u'Border Collie']
#Anzahl der zu erfassenden Bilder
IMG_CNT = 300
g = google_search.Google()
for keyword in KEYWORDS:
#Erstellen Sie ein Sicherungsziel
img_dir = os.path.join('./../data/img/original', keyword)
os.makedirs(img_dir, exist_ok=True)
print(u'Ziel: {}'.format(img_dir))
#Bildersuche
img_urls = g.Search('{} filetype:jpg -Shiba Hund-fühlte-Produkt-Spielzeug-Plüschpuppe-Ornament-Artikel-Maskottchen-Buch-Startseite-Filme-Karikatur-Charme-jpg -Rakuten-Eine Illustration-Aufkleber-Versandhandel-LINE -Stempel-Silhouette-Design-Becher-Züchter-Jimoty-Gruppe-Herde-Nagel-Kran-Werbegeschenk-Produkt'.format(keyword), type='image', maximum=IMG_CNT)
#Bild speichern
total_cnt = 0
for i,img_url in enumerate(img_urls):
try:
#Bildpfad
img_full_path = os.path.join(img_dir, (str(i) + '.jpg'))
print('{}: {} -> {}'.format(str(i), img_url, img_full_path))
re = requests.get(img_url, allow_redirects=False)
if len(re.content) <= 0:
print(u'{}:Überspringen, da der Inhalt der Antwort leer ist.'.format(str(i)))
continue
with open(img_full_path, 'wb') as f:
f.write(re.content)
total_cnt = total_cnt + 1
except requests.exceptions.ConnectionError:
continue
except UnicodeEncodeError:
continue
except UnicodeError:
continue
except IsADirectoryError:
continue
print(u'{}: {}Ich habe das Bild.'.format(keyword, total_cnt))
print(u'Das Speichern ist abgeschlossen.')
> cd e:\python\ml\src\img_scraper
> python main.py
Shelty:Wir haben 270 Bilder aufgenommen.
Corgi:Wir haben 286 Bilder aufgenommen.
Border Collie:Wir haben 281 Bilder aufgenommen.
Es scheint, dass einige von ihnen das Bild nicht gut speichern konnten.
Bildprüfung
Entfernen Sie Bilder, die nicht als Lehrerdaten verwendet werden können. Zum Beispiel gibt es andere Hunderassen auf dem Bild oder viel Text. Notieren Sie sich daher die Anzahl dieser Bilder. Verwenden Sie danach Python, um die für Lehrerdaten und das Ausschlussziel verwendeten Daten zu sortieren.
img_trimmer\main.py
# -- coding: utf-8 --
import os, glob
import shutil
#Suchbegriff
KEYWORDS = [u'Shelty', u'Corgi', u'Border Collie']
targets = [
[19, 25, 34, 40, 41, 49, 54, 74, 77, 81, 86, 89, 91, 93, 102, 104, 108, 111, 118, 119, 124, 127, 130, 131, 132, 136, 152, 154, 158, 159, 161, 168, 169, 173, 178, 181, 183, 184, 192, 193, 198, 201, 202, 213, 218, 233, 235, 236, 238, 240, 243, 245, 246, 248, 249, 252, 255, 264, 265, 269, 271, 272, 280, 283, 284, 287, 294, 295],
[19, 29, 30, 40, 45, 67, 69, 73, 76, 78, 80, 100, 101, 105, 117, 120, 132, 136, 141, 143, 149, 151, 154, 158, 167, 170, 179, 180, 183, 186, 200, 201, 208, 213, 220, 224, 225, 228, 234, 235, 241, 243, 247, 248, 250, 253, 259, 262, 264, 266, 273, 277, 278, 279, 281, 282, 283, 285, 290, 293, 294, 298, 299],
[9, 21, 25, 37, 38, 40, 41, 42, 49, 52, 55, 61, 65, 66, 71, 72, 78, 80, 89, 93, 96, 103, 108, 110, 113, 114, 118, 122, 126, 127, 128, 145, 146, 152, 158, 160, 161, 164, 166, 167, 171, 174, 175, 176, 182, 183, 186, 187, 193, 194, 196, 197, 200, 202, 203, 206, 207, 222, 223, 224, 226, 228, 230, 232, 233, 234, 237, 238, 241, 243, 244, 257, 259, 260, 262, 263, 264, 265, 267, 268, 270, 273, 275, 276, 277, 278, 281, 282, 283, 287, 289, 292, 293, 295]
]
for idx, keyword in enumerate(KEYWORDS):
total_count = 0
#Original
img_dir = os.path.join('./../data/img/original', keyword)
#Kopieren nach
os.makedirs(os.path.join('./../data/img/trimmed', keyword), exist_ok=True)
os.makedirs(os.path.join('./../data/img/excluded', keyword), exist_ok=True)
files = glob.glob(os.path.join(img_dir, '*.jpg'))
for f in files:
if int(os.path.splitext(os.path.basename(f))[0]) in targets[idx]:
shutil.copy2(f, os.path.join('./../data/img/excluded', keyword))
print(u'{} :Es ist ein Ausschlussziel.'.format(f))
else:
shutil.copy2(f, os.path.join('./../data/img/trimmed', keyword))
print(u'{} :Wird für Lehrerdaten verwendet.'.format(f))
total_count = total_count + 1
print(u'{} :{}'.format(keyword, total_count))
print(u'')
> cd e:\python\ml\src\img_trimmer
> python main.py
:
:Es ist eine Sache. Das Speichern ist abgeschlossen. Shelty Die Anzahl der Daten, die verwendet werden können, beträgt 202. Corgi Die Anzahl der Daten, die verwendet werden können, beträgt 223.
Border Collie:Die Anzahl der Daten, die verwendet werden können, beträgt 187.
Nur 60 bis 70% können als Lehrerdaten verwendet werden.
Bildvervielfältigung
Erhöhen Sie die Anzahl der Daten, indem Sie das Bild mit ImageDataGenerator von Keras duplizieren und verarbeiten.
img_duplicator\main.py
# -- coding: utf-8 --
import os
import glob
import numpy as np
from keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array, array_to_img
CATEGORIES = [u'Shelty', u'Corgi', u'Border Collie']
#Bildgröße
IMG_SIZE = 150
#Definieren Sie ImageDataGenerator
DATA_GENERATOR = ImageDataGenerator(horizontal_flip=0.3, zoom_range=0.1)
for idx, category in enumerate(CATEGORIES):
#Original
img_dir = os.path.join('./../data/img/trimmed', category)
#Kopieren nach
out_dir = os.path.join('./../data/img/extended', category)
os.makedirs(out_dir, exist_ok=True)
files = glob.glob(os.path.join(img_dir, '*.jpg'))
for i, file in enumerate(files):
img = load_img(file)
img = img.resize((IMG_SIZE, IMG_SIZE))
x = img_to_array(img)
x = np.expand_dims(x, axis=0)
g = DATA_GENERATOR.flow(x, batch_size=1, save_to_dir=out_dir, save_prefix='img', save_format='jpg')
for i in range(10):
batch = g.next()
print(u'{} :Die Anzahl der Dateien{}Es ist eine Sache.'.format(category, len(os.listdir(out_dir))))
> cd e:\python\ml\src\img_duplicator
> python main.py
Using TensorFlow backend.
Shelty:Die Anzahl der Dateien beträgt 1817.
Corgi:Die Anzahl der Dateien beträgt 1983.
Border Collie:Die Anzahl der Dateien beträgt 1708.
Erstellung von Lehrerdaten
Da wir eine große Anzahl von Bildern vorbereitet haben, werden wir Lehrerdaten erstellen. Ich werde das Bild beschriften. Etwa 20% aller Daten werden für Testdaten verwendet. Speichern Sie die erstellten Lehrer- / Testdaten.
train_test_data_generator\main.py
# -*- coding: utf-8 -*-
from PIL import Image
import os, glob
import numpy as np
import random, math
from sklearn.model_selection import train_test_split
from keras.utils import np_utils
#Der Pfad des Stammverzeichnisses, in dem das Bild gespeichert ist
IMG_ROOT_DIR = './../data/img/extended'
#Kategorie
CATEGORIES = [u'Shelty', u'Corgi', u'Border Collie']
#Dichte
DENSE_SIZE = len(CATEGORIES)
#Bildgröße
IMG_SIZE = 150
#Bilddaten
X = []
#Kategoriedaten
Y = []
#Lehrerdaten
X_TRAIN = []
Y_TRAIN = []
#Testdaten
X_TEST = []
Y_TEST = []
#Datenspeicherungsziel
TRAIN_TEST_DATA = './../data/train_test_data/data.npy'
#Prozess nach Kategorie
for idx, category in enumerate(CATEGORIES):
#Bildverzeichnis für jedes Etikett
image_dir = os.path.join(IMG_ROOT_DIR, category)
files = glob.glob(os.path.join(image_dir, '*.jpg'))
for f in files:
#Ändern Sie die Größe jedes Bildes und konvertieren Sie es in Daten
img = Image.open(f)
img = img.convert('RGB')
img = img.resize((IMG_SIZE, IMG_SIZE))
data = np.asarray(img)
X.append(data)
Y.append(idx)
X = np.array(X)
Y = np.array(Y)
#Normalisierung
X = X.astype('float32') /255
Y = np_utils.to_categorical(Y, DENSE_SIZE)
#Trennen Sie Lehrerdaten und Testdaten
X_TRAIN, X_TEST, Y_TRAIN, Y_TEST = train_test_split(X, Y, test_size=0.20)
#Lehrer- / Testdaten speichern
np.save(TRAIN_TEST_DATA, (X_TRAIN, X_TEST, Y_TRAIN, Y_TEST))
print(u'Die Erstellung der Lehrer- / Testdaten ist abgeschlossen.: {}'.format(TRAIN_TEST_DATA))
> cd e:\python\ml\src\train_test_data_generator
> python main.py
Using TensorFlow backend.
Die Erstellung der Lehrer- / Testdaten ist abgeschlossen.: ./../data/train_test_data/data.npy
Modellbau
Nachdem wir die Lehrer- / Testdaten bereit haben, ist es Zeit, das Modell zu erstellen. Speichern Sie das erstellte Modell.
model_generator\main.py
# -*- coding: utf-8 -*-
#Ein Modell bauen
from keras import layers, models
from keras import optimizers
import numpy as np
import matplotlib.pyplot as plt
import os
#Kategorie
CATEGORIES = [u'Shelty', u'Corgi', u'Border Collie']
#Dichte
DENSE_SIZE = len(CATEGORIES)
#Bildgröße
IMG_SIZE = 150
INPUT_SHAPE = (IMG_SIZE, IMG_SIZE,3)
#Lehrerdaten
X_TRAIN = []
Y_TRAIN = []
#Testdaten
X_TEST = []
Y_TEST = []
#Datenspeicherungsziel
TRAIN_TEST_DATA = './../data/train_test_data/data.npy'
#Modell speichern Ziel
MODEL_ROOT_DIR = './../data/model/'
# -----Modellbau----- #
model = models.Sequential()
model.add(layers.Conv2D(32,(3,3),activation="relu",input_shape=INPUT_SHAPE))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(64,(3,3),activation="relu"))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(128,(3,3),activation="relu"))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(128,(3,3),activation="relu"))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Flatten())
model.add(layers.Dropout(0.5))
model.add(layers.Dense(512,activation="relu"))
model.add(layers.Dense(DENSE_SIZE,activation="sigmoid"))
#Bestätigung der Modellkonfiguration
model.summary()
# ----- /Modellbau----- #
# -----Modellzusammenstellung----- #
model.compile(loss="binary_crossentropy",
optimizer=optimizers.RMSprop(lr=1e-4),
metrics=["acc"])
# ----- /Modellbau----- #
# -----Modelllernen----- #
#Lesen Sie die Lehrerdaten und Testdaten
X_TRAIN, X_TEST, Y_TRAIN, Y_TEST = np.load(TRAIN_TEST_DATA)
model = model.fit(X_TRAIN,
Y_TRAIN,
epochs=10,
batch_size=6,
validation_data=(X_TEST, Y_TEST))
# ----- /Modelllernen----- #
# -----Lernergebnisplot----- #
acc = model.history['acc']
val_acc = model.history['val_acc']
loss = model.history['loss']
val_loss = model.history['val_loss']
epochs = range(len(acc))
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.savefig(os.path.join(MODEL_ROOT_DIR, 'Training_and_validation_accuracy.png'))
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.savefig(os.path.join(MODEL_ROOT_DIR, 'Training_and_validation_loss.png'))
# ----- /Lernergebnisplot----- #
# -----Modell speichern----- #
#Modell speichern
json_string = model.model.to_json()
open(os.path.join(MODEL_ROOT_DIR, 'model_predict.json'), 'w').write(json_string)
#Gewichtsspeicher
model.model.save_weights(os.path.join(MODEL_ROOT_DIR, 'model_predict.hdf5'))
# ----- /Modell speichern----- #
> cd e:\python\ml\src\model_generator
> python main.py
Using TensorFlow backend.
2019-11-15 17:02:03.400229: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
Model: "sequential_1"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d_1 (Conv2D) (None, 148, 148, 32) 896
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 74, 74, 32) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 72, 72, 64) 18496
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 36, 36, 64) 0
_________________________________________________________________
conv2d_3 (Conv2D) (None, 34, 34, 128) 73856
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 17, 17, 128) 0
_________________________________________________________________
conv2d_4 (Conv2D) (None, 15, 15, 128) 147584
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 7, 7, 128) 0
_________________________________________________________________
flatten_1 (Flatten) (None, 6272) 0
_________________________________________________________________
dropout_1 (Dropout) (None, 6272) 0
_________________________________________________________________
dense_1 (Dense) (None, 512) 3211776
_________________________________________________________________
dense_2 (Dense) (None, 3) 1539
=================================================================
Total params: 3,454,147
Trainable params: 3,454,147
Non-trainable params: 0
_________________________________________________________________
Train on 4396 samples, validate on 1100 samples
Epoch 1/10
4396/4396 [==============================] - 103s 23ms/step - loss: 0.5434 - acc: 0.7298 - val_loss: 0.5780 - val_acc: 0.7067
Epoch 2/10
4396/4396 [==============================] - 109s 25ms/step - loss: 0.4457 - acc: 0.7989 - val_loss: 0.4288 - val_acc: 0.8024
Epoch 3/10
4396/4396 [==============================] - 103s 23ms/step - loss: 0.3874 - acc: 0.8318 - val_loss: 0.3992 - val_acc: 0.8170
Epoch 4/10
4396/4396 [==============================] - 106s 24ms/step - loss: 0.3483 - acc: 0.8469 - val_loss: 0.3476 - val_acc: 0.8476
Epoch 5/10
4396/4396 [==============================] - 107s 24ms/step - loss: 0.3029 - acc: 0.8717 - val_loss: 0.3085 - val_acc: 0.8603
Epoch 6/10
4396/4396 [==============================] - 109s 25ms/step - loss: 0.2580 - acc: 0.8947 - val_loss: 0.2918 - val_acc: 0.8736
Epoch 7/10
4396/4396 [==============================] - 107s 24ms/step - loss: 0.2182 - acc: 0.9084 - val_loss: 0.2481 - val_acc: 0.8970
Epoch 8/10
4396/4396 [==============================] - 113s 26ms/step - loss: 0.1855 - acc: 0.9217 - val_loss: 0.1920 - val_acc: 0.9209
Epoch 9/10
4396/4396 [==============================] - 120s 27ms/step - loss: 0.1548 - acc: 0.9394 - val_loss: 0.1775 - val_acc: 0.9345
Epoch 10/10
4396/4396 [==============================] - 114s 26ms/step - loss: 0.1243 - acc: 0.9530 - val_loss: 0.1738 - val_acc: 0.9412
Erstellung eines Shelty-Urteilsprogramms
Es ist endlich Zeit, ein Sheltie-Urteilsprogramm vorzubereiten. Es ist Zeit, ein Bild zur Bestätigung vorzubereiten.
ai\main.py
# -*- coding: utf-8 -*-
from keras import models
from keras.models import model_from_json
from keras.preprocessing import image
import numpy as np
import sys
import os
from keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array, array_to_img
#Modell speichern Ziel
MODEL_ROOT_DIR = './../data/model/'
MODEL_PATH = os.path.join(MODEL_ROOT_DIR, 'model_predict.json')
WEIGHT_PATH = os.path.join(MODEL_ROOT_DIR, 'model_predict.hdf5')
#Kategorie
CATEGORIES = [u'Shelty', u'Corgi', u'Border Collie']
#Bildgröße
IMG_SIZE = 150
INPUT_SHAPE = (IMG_SIZE, IMG_SIZE,3)
#Laden Sie das Modell
model = model_from_json(open(MODEL_PATH).read())
model.load_weights(WEIGHT_PATH)
#Bild vom Eingabeargument lesen
args = sys.argv
img = image.load_img(args[1], target_size=INPUT_SHAPE)
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
#Mit einem Modell vorhersagen
features = model.predict(x)
print(features)
if features[0, 0] == 1:
print(u'Das ist Shelty.')
else:
for i in range(0, len(CATEGORIES)):
if features[0, i] == 1:
print(u'Es scheint kein Sheltie zu sein.{}ist.'.format(CATEGORIES[i]))
(ml)> cd e:\python\ml\src\ai
(ml)> python .\main.py '..\data\img\test\sheltie_00.jpg'
Using TensorFlow backend.
2019-11-15 17:58:44.863437: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
[[1. 0. 0.]]
Das ist Shelty.
(ml)> python .\main.py '..\data\img\test\corgi_00.jpg'
Using TensorFlow backend.
2019-11-15 17:58:55.519838: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
[[0. 1. 0.]]
Es scheint kein Sheltie zu sein. Das ist Corgi.
(ml)> python .\main.py '..\data\img\test\bordercollie_00.jpg'
Using TensorFlow backend.
2019-11-15 17:59:06.457517: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
[[0. 0. 1.]]
Es scheint kein Sheltie zu sein. Es ist ein Border Collie.
sheltie_00.jpg Das ist Shelty.
cogy_00.jpg Es scheint kein Sheltie zu sein. Das ist Corgi.
bordercolli_00.png Es scheint kein Sheltie zu sein. Es ist ein Border Collie.
Ich konnte es gut beurteilen.
Ist Fran ein Sheltie?
Wie wird Fran-chan beurteilt, der auch für die Ikone verwendet wird?
(ml)> python .\main.py '..\data\img\test\fran.jpg'
Using TensorFlow backend.
2019-11-15 17:59:28.118592: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
[[0. 0. 1.]]
Es scheint kein Sheltie zu sein. Es ist ein Border Collie.
fran.png Es scheint kein Sheltie zu sein. Es ist ein Border Collie.
Es tut uns leid. .. .. Obwohl mein Fran ein Sheltie ist, wurde beurteilt, dass "es kein Sheltie zu sein scheint. Es ist ein Border Collie." Der Grund ist wahrscheinlich, dass die Lehrerdaten nur wenige schwarze Shelties enthielten. Ich war mir der Bedeutung von Lehrerdaten sehr bewusst.
Nachtrag
Ich habe das Image geändert und mich gerächt.
(ml)> python .\main.py '..\data\img\test\fran_01.jpg'
Using TensorFlow backend.
2019-11-18 17:21:07.929836: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
[[1. 0. 0.]]
Das ist Shelty.
Unser Fran wurde als Unterschlupf beurteilt.
Ausblick
- Fügen Sie Lehrerdaten und Rache schwarzen Glanz hinzu
- Integrieren Sie AI in Ihre Web-App
- CNN verstehen
Recommended Posts