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

89.13%

tensorflow(またはkeras)で実装した犬猫分類機の分類結果の可視化とモデルの引き継ぎ

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 2,002

vaitarika

score 29

tensorflowで犬猫判別機を作って、ラベルをつけたtrainデータを使って学習させました。そこで、ラベルのついていないtestデータに対して分類を行い、その分類があっているのかどうかを可視化したいと思っています。
ここでの可視化とは、示された犬か猫の画像に対して分類機が犬と猫、どちらだと示しているのかというのをわかるようにさせたいです。つまり、画像の中のここの領域に犬または猫がいるというのを領域で示し、その上部に犬か猫かどちらなのかを文字で示すようにさせたいです。
OpenCVを使えば実装できると思ったのですが、どのように実装すれば良いのかわかりません。また、学習させたモデルを最後に保存するようにしているのですが、そのモデルを再度使う方法がわかりません。

以下に犬猫画像を学習させた判別機のコードを示します。

# -*- coding: utf-8 -*-
import sys
import pickle
import os
import numpy as np
import tensorflow as tf
import tensorflow.python.platform

NUM_CLASSES = 2
IMAGE_SIZE = 56
IMAGE_PIXELS = IMAGE_SIZE*IMAGE_SIZE*3

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_integer('max_steps', 10, 'Number of steps to run trainer.')
flags.DEFINE_integer('batch_size', 10, 'Batch size'
                     'Must divide evenly into the dataset sizes.')
flags.DEFINE_float('learning_rate', 1e-4, 'Initial learning rate.')

def inference(images_placeholder, keep_prob):

    def weight_variable(shape):
      initial = tf.truncated_normal(shape, stddev=0.1)

      return tf.Variable(initial)

    def bias_variable(shape):
      initial = tf.constant(0.1, shape=shape)

      return tf.Variable(initial)

    # 畳み込み層の作成
    def conv2d(x, W):
      return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

    # プーリング層の作成
    def max_pool_2x2(x):
      return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], 
                            strides=[1, 2, 2, 1], padding='SAME')

    x_image = tf.reshape(images_placeholder, [-1, IMAGE_SIZE, IMAGE_SIZE, 3])
    print(x_image.shape)

    # 畳み込み層1の作成
    with tf.name_scope('conv1') as scope:
        W_conv1 = weight_variable([3, 3, 3, 32])
        b_conv1 = bias_variable([32])
        h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

    # プーリング層1の作成
    with tf.name_scope('pool1') as scope: 
        h_pool1 = max_pool_2x2(h_conv1)
        print("h_pool1のshape={}".format(h_pool1.shape))

    # 畳み込み層2の作成
    with tf.name_scope('conv2') as scope:
        W_conv2 = weight_variable([3, 3, 32, 64])
        b_conv2 = bias_variable([64])
        h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)

    # プーリング層2の作成
    with tf.name_scope('pool2') as scope:
        h_pool2 = max_pool_2x2(h_conv2)
        print("h_pool2のshape={}".format(h_pool2.shape))

    # 畳み込み層3の作成
    with tf.name_scope('conv3') as scope:
        W_conv3 = weight_variable([3, 3, 64, 128])
        b_conv3 = bias_variable([128])
        h_conv3 = tf.nn.relu(conv2d(h_pool2, W_conv3) + b_conv3)

    # プーリング層3の作成
    with tf.name_scope('pool3') as scope:
        h_pool3 = max_pool_2x2(h_conv3)
        print("h_pool3のshape={}".format(h_pool3.shape))

    # 全結合層1の作成
    with tf.name_scope('fc1') as scope:
        W_fc1 = weight_variable([7*7*128, 1024])
        b_fc1 = bias_variable([1024])
        h_pool3_flat = tf.reshape(h_pool3, [-1, 7*7*128]
        h_fc1 = tf.nn.relu(tf.matmul(h_pool3_flat, W_fc1) + b_fc1)
        # dropoutの設定
        h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

    # 全結合層2の作成
    with tf.name_scope('fc2') as scope:
        W_fc2 = weight_variable([1024, NUM_CLASSES])
        b_fc2 = bias_variable([NUM_CLASSES])

    # ソフトマックス関数による正規化
    with tf.name_scope('softmax') as scope:
        y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

    return y_conv

def loss(logits, labels):

    cross_entropy = -tf.reduce_sum(labels*tf.log(logits))
    tf.summary.scalar("cross_entropy", cross_entropy)
    return cross_entropy

def training(loss, learning_rate):

    train_step = tf.train.AdamOptimizer(learning_rate).minimize(loss)

    return train_step

def accuracy(logits, labels):

    correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(labels, 1))

    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

    tf.summary.scalar("accuracy", accuracy)

    return accuracy

if __name__ == '__main__':
    with open('x_train.pickle_rgb', 'rb') as f1:
        train_image = pickle.load(f1)
        print(train_image.shape)

    with open('t_train.pickle_rgb', 'rb') as f2:
        train_label = pickle.load(f2)

    with open('x_test.pickle_rgb', 'rb') as f3:
        test_image = pickle.load(f3)

    with open('t_test.pickle_rgb', 'rb') as f4:
        test_label = pickle.load(f4)

    with tf.Graph().as_default():

        # 画像を入れる仮のTensor
        images_placeholder = tf.placeholder("float", shape=(None, IMAGE_PIXELS))
        # ラベルを入れる仮のTensor
        labels_placeholder = tf.placeholder("float", shape=(None, NUM_CLASSES))
        # dropout率を入れる仮のTensor
        keep_prob = tf.placeholder("float")

        # inference()を呼び出してモデルを作る
        logits = inference(images_placeholder, keep_prob)
        # loss()を呼び出して損失を計算
        loss_value = loss(logits, labels_placeholder)
        # training()を呼び出して訓練
        train_op = training(loss_value, FLAGS.learning_rate)
        # 精度の計算
        acc = accuracy(logits, labels_placeholder)

        # 保存の準備
        saver = tf.train.Saver()
        # Sessionの作成
        sess = tf.Session()
        # 変数の初期化
        sess.run(tf.global_variables_initializer())
        # TensorBoardで表示する値の設定
        summary_op = tf.summary.merge_all()
        summary_writer = tf.summary.FileWriter('./logs', sess.graph)

        # 訓練の実行
        for step in range(FLAGS.max_steps):
            for i in range(int(len(train_image)/FLAGS.batch_size)):

                batch = FLAGS.batch_size * i
                sess.run(train_op, feed_dict={
                  images_placeholder: train_image[batch:batch+FLAGS.batch_size],
                  labels_placeholder: train_label[batch:batch+FLAGS.batch_size],
                  keep_prob: 0.5})

            # 1 step終わるたびに精度を計算する
            train_accuracy = sess.run(acc, feed_dict={
                images_placeholder: train_image,
                labels_placeholder: train_label,
                keep_prob: 1.0})
            print ("step {}, training accuracy {}".format(step, train_accuracy))

            # 1 step終わるたびにTensorBoardに表示する値を追加する
            summary_str = sess.run(summary_op, feed_dict={
                images_placeholder: train_image,
                labels_placeholder: train_label,
                keep_prob: 1.0})
            summary_writer.add_summary(summary_str, step)

          # 訓練が終了したらテストデータに対する精度を表示
            print ("test accuracy {}".format(sess.run(acc, feed_dict={
                images_placeholder: test_image,
                labels_placeholder: test_label,
                keep_prob: 1.0})))

            # 1 step終わるたびにTensorBoardに表示する値を追加する
            summary_str = sess.run(summary_op, feed_dict={
                images_placeholder: test_image,
                labels_placeholder: test_label,
                keep_prob: 1.0})
            summary_writer.add_summary(summary_str, step)

    # 最終的なモデルを保存
    cwd = os.getcwd()
    save_path = saver.save(sess, cwd + "//model.ckpt")


このコードの途中にあるファイルの呼び出し部分では、kaggle(https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data)からダウンロードした犬猫画像にラベルづけなどの処理を施したものを呼び出しています。

最初の学習の部分ではkaggleからダウンロードしたファイル内にあったtrainデータを8:2の20000:5000枚に分けて、ラベル付けを行なって学習させました。なので、実際に分類できるかどうかはkaggleからダウンロードした中にあったテストデータで行おうと思っています。

  • 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

    2019/02/16 08:59

    > ここでの可視化とは、示された犬か猫の画像に対して分類機が犬と猫、どちらだと示しているのかというのをわかるようにさせたいです。
    ここ、もっと具体的にしてください。「犬、猫と画像に書き込みたい」のか。「ここに犬がいると示したい」のか。「この領域が犬であると示したい」のか。「ここら辺を根拠に判断したと示したい」のか。あるいはこれらの複合なのか。

    キャンセル

  • vaitarika

    2019/02/17 23:26

    ご指摘ありがとうございます。
    訂正させていただきました。

    キャンセル

回答 2

checkベストアンサー

0

画像の中のここの領域に犬または猫がいるというのを領域で示し、その上部に犬か猫かどちらなのかを文字で示すようにさせたいです。

「分類器」を作ったのなら、分類=「犬または猫と表示する」までです。「物体検出器」なら、「この領域に犬または猫と表示する」までできます。画面が狭いのでコードを読み切れていませんが、分類器のようです。
inference の戻り値が、それぞれのクラスに属する確率なので、最大値のインデックスがクラス番号です。これで犬と判断したか、猫と判断したかわかりますよね。
ウェブ上の多くの記事は、学習の仕方を解説しています。判定器の作り方は少ないので、コードから「判定の方法」を読み解いて、コードを作り直してくだ

投稿

  • 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。

0

分類器作成までのプログラムが終わっているのならば、

①opencvを用いて、判定したい犬or猫の写真データをベクトルデータ化。
②tensorflowで作成した際の分類器データに適した形式にreshape
③kerasを用いるとすると、model.predict_classes()などを用いてラベル分類を実施。

上記の流れでラベル分類は行えると思います。

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。

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 89.13%
  • 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