質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

89.10%

画像を学習させて、そこから数値を出すには

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 1,015

blackmk

score 23

現在、画像に数値をラベル付けして以下のような分類を行っているのですが、カテゴリーを出力するのではなく(下のコードの例ならば'_30'など)、数値を出力したい場合はどのようにすればよいでしょうか?

尚、こちらのサイトを参考にさせていただきました。
https://qiita.com/kazuki_hayakawa/items/c93a21313ccbd235b82b

このようにすると数値の分だけフォルダを作成しなければならない気がしておりまして、大変だと思い、最後の活性化関数の値と、出力値が対応できればと考えております。

例えばですが、画像が42という値をもっていて、それを読み込むと42に近い値が出力される,といったものです.下にあるモデルだと,出力として30_90が出力されます.

参考コードです.
まず、こちらで学習します。

import os

from keras.applications.vgg16 import VGG16

from keras.preprocessing.image import ImageDataGenerator

from keras.models import Sequential, Model

from keras.layers import Input, Activation, Dropout, Flatten, Dense

from keras import optimizers

import numpy as np

# 分類するクラス

classes = ['0','_30','30_90','_100']

nb_classes = len(classes)



img_width, img_height = 160, 120



# トレーニング用とバリデーション用の画像格納先

train_data_dir = 'train_for_CNN_5_train'

validation_data_dir = 'validation_for_CNN'



# 今回はトレーニング用に376枚、バリデーション用に101枚の画像を用意した。

nb_train_samples = 376

nb_validation_samples = 101



batch_size = 10

nb_epoch = 100





result_dir = 'Results'

if not os.path.exists(result_dir):

    os.mkdir(result_dir)





def vgg_model_maker():

    """ VGG16のモデルをFC層以外使用。FC層のみ作成して結合して用意する """



    # VGG16のロード。FC層は不要なので include_top=False

    input_tensor = Input(shape=(img_width, img_height, 3))

    vgg16 = VGG16(include_top=False, weights='imagenet', input_tensor=input_tensor)



    # FC層の作成

    top_model = Sequential()

    top_model.add(Flatten(input_shape=vgg16.output_shape[1:]))

    top_model.add(Dense(256, activation='relu'))

    top_model.add(Dropout(0.5))

    top_model.add(Dense(nb_classes, activation='softmax'))



    # VGG16とFC層を結合してモデルを作成

    model = Model(input=vgg16.input, output=top_model(vgg16.output))



    return model





def image_generator():

    """ ディレクトリ内の画像を読み込んでトレーニングデータとバリデーションデータの作成 """

    train_datagen = ImageDataGenerator(

        rescale=1.0 / 255,

        zoom_range=0.2,

        horizontal_flip=True)



    validation_datagen = ImageDataGenerator(rescale=1.0 / 255)



    train_generator = train_datagen.flow_from_directory(

        train_data_dir,

        target_size=(img_width, img_height),

        color_mode='rgb',

        classes=classes,

        class_mode='categorical',

        batch_size=batch_size,

        shuffle=True)



    validation_generator = validation_datagen.flow_from_directory(

        validation_data_dir,

        target_size=(img_width, img_height),

        color_mode='rgb',

        classes=classes,

        class_mode='categorical',

        batch_size=batch_size,

        shuffle=True)



    return (train_generator, validation_generator)





if __name__ == '__main__':

    start = time.time()



    # モデル作成

    vgg_model = vgg_model_maker()



    # 最後のconv層の直前までの層をfreeze

    for layer in vgg_model.layers[:15]:

        layer.trainable = False



    # 多クラス分類を指定

    vgg_model.compile(loss='categorical_crossentropy',

              optimizer=optimizers.SGD(lr=1e-3, momentum=0.9),

              metrics=['accuracy'])



    # 画像のジェネレータ生成

    train_generator, validation_generator = image_generator()



    # Fine-tuning

    history = vgg_model.fit_generator(

        train_generator,

        samples_per_epoch=nb_train_samples,

        nb_epoch=nb_epoch,

        validation_data=validation_generator,

        nb_val_samples=nb_validation_samples)



    vgg_model.save_weights(os.path.join(result_dir, 'finetuning.h5'))


その後、こちらで判定を行います。

import os, sys

import numpy as np

from keras.applications.vgg16 import VGG16

from keras.models import Sequential, Model

from keras.layers import Input, Activation, Dropout, Flatten, Dense

from keras.preprocessing import image

from keras import optimizers



classes = ['0','_30','30_90','_100']

nb_classes = len(classes)

img_width, img_height = 160, 120



result_dir = 'Results'



# このディレクトリにテストしたい画像を格納しておく

test_data_dir = 'D:/image_data/_100'



def model_load():

    # VGG16, FC層は不要なので include_top=False

    input_tensor = Input(shape=(img_width, img_height, 3))

    vgg16 = VGG16(include_top=False, weights='imagenet', input_tensor=input_tensor)



    # FC層の作成

    top_model = Sequential()

    top_model.add(Flatten(input_shape=vgg16.output_shape[1:]))

    top_model.add(Dense(256, activation='relu'))

    top_model.add(Dropout(0.5))

    top_model.add(Dense(nb_classes, activation='softmax'))



    # VGG16とFC層を結合してモデルを作成

    model = Model(input=vgg16.input, output=top_model(vgg16.output))



    # 学習済みの重みをロード

    model.load_weights(os.path.join(result_dir, 'finetuning.h5'))



    # 多クラス分類を指定

    model.compile(loss='categorical_crossentropy',

              optimizer=optimizers.SGD(lr=1e-3, momentum=0.9),

              metrics=['accuracy'])



    return model





if __name__ == '__main__':



    # モデルのロード

    model = model_load()



    # テスト用画像取得

    test_imagelist = os.listdir(test_data_dir)



    for test_image in test_imagelist:

        filename = os.path.join(test_data_dir, test_image)

        img = image.load_img(filename, target_size=(img_width, img_height))

        x = image.img_to_array(img)

        x = np.expand_dims(x, axis=0)

        # 学習時に正規化してるので、ここでも正規化

        x = x / 255

        pred = model.predict(x)[0]



        # 予測確率が高いトップを出力



        top = 3

        top_indices = pred.argsort()[-top:][::-1]

        result = [(classes[i], pred[i]) for i in top_indices]

        print('file name is', test_image)

        print(result)

        print('=======================================')
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • Q71

    2019/01/22 10:12

    質問文は、色々省略されているように思います。
    「42」と書いてある画像を学習するのでしょうか。それとも、例えばビーカーに入っている水が「およそ42cc」というのを出したいのでしょうか。
    前者なら、0〜9を学習して、物体検出を行い、検出した位置から最終的な「数字」を出すことができそうです。

    キャンセル

  • blackmk

    2019/01/24 01:02

    修正依頼ありがとうございます.後者の方の検証を行いたいと考えてます.

    キャンセル

回答 1

checkベストアンサー

0

このようにすると数値の分だけフォルダを作成しなければならない気がしておりまして

はいその通りです。

具体的にどのようなことをしたいのかは分かりませんが、別のアプローチで解決すべき問題だと思います。

追記

例えばですが、学習済みCNNモデル(InceptionV3, Vgg16など)を用いて特徴抽出を行い、その特徴量を用いてクラスタリング(例えばk-means法)を用いて分類し、最後に対応するクラスにラベルをつけるということなら可能かもしれません。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/01/24 01:03

    ご回答ありがとうございます。そうですね,たしかにそのまま行うのは大変そうなので,手法の検討をしたいと思います.ありがとうございました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 89.10%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る