「model_and_weight.h5」は、どのようなものでしょうか？
質問者さんが、質問のとは別のコードを実行して作成したものですか？
それとも、ネットのどこかからダウンロードしたとか、誰かからもらったとか、そういうものですか？
下記のようなコードで画像分類器を作成したいと考えています。
しかし、エラーが発生してしまい実行できません。
コードは同じ本から採用しています。
解決方法がありましたら、教えていただけますでしょうか。
よろしくお願い致します。
model_and_weight.h5と1.jpgというファイルは、同階層に保存済みです。
python
from PIL import Image import os, glob from PIL import ImageFile ImageFile.LOAD_TRUNCATED_IMAGES = True from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D from keras.layers import Activation, Dropout, Flatten, Dense from keras.optimizers import RMSprop from keras.utils import np_utils import keras import numpy as np import sys, os from keras.models import load_model imsize = (150, 150) keras_param = "model_and_weight.h5" testpic = "1.jpg" def load_image(path): img = Image.open(path) img = img.convert('RGB') img = img.resize(imsize) img = np.asarray(img) img = img / 255.0 return img model = load_model(keras_param) img = load_image(testpic) prd = model.predict(np.array([img])) print(prd) prelabel = np.argmax(prd, axis=1) if prelabel == 0: print(">>> 犬") elif prelabel == 1: print(">>> 猫")
下記に記載したのがエラー内容
python
WARNING:tensorflow:Model was constructed with shape (None, 4, 4, 512) for input KerasTensor(type_spec=TensorSpec(shape=(None, 4, 4, 512), dtype=tf.float32, name='flatten_input'), name='flatten_input', description="created by layer 'flatten_input'"), but it was called on an input with incompatible shape (None, 150, 150, 3). --------------------------------------------------------------------------- ValueError Traceback (most recent call last) <ipython-input-12-baa28c867e4e> in <module> 35 model = load_model(keras_param) 36 img = load_image(testpic) ---> 37 prd = model.predict(np.array([img])) 38 # print(prd) # 精度の表示 39 prelabel = np.argmax(prd, axis=1)
学習済みファイルの作成コード
python
from keras.applications.vgg16 import VGG16 from keras.preprocessing.image import ImageDataGenerator from keras.layers import Input import numpy as np import os num_train =2000 num_validation=800 img_h,img_w=150,150 channels=3 batch_size=32 train_data_dir='data/train' validation_data_dir='data/validation' result_dir='results' if not os.path.exists(result_dir): os.mkdir(result_dir) def save_VGG16_outputs(): model=VGG16( include_top=False, weights='imagenet', input_shape=(img_h,img_w,channels)) model.summary() datagen=ImageDataGenerator(rescale=1.0/255) train_generator=datagen.flow_from_directory( train_data_dir, target_size=(img_w,img_h), batch_size=batch_size, class_mode=None, shuffle=False) print('train-label:',train_generator.class_indices) vgg16_train=model.predict_generator( train_generator, verbose=1) np.save(os.path.join(result_dir,'vgg16_train.npy'),vgg16_train) validation_generator=datagen.flow_from_directory( validation_data_dir, target_size=(img_w,img_h), batch_size=batch_size, class_mode=None, shuffle=False) print('test-label:',validation_generator.class_indices) vgg16_test=model.predict( validation_generator, verbose=1) np.save(os.path.join(result_dir,'vgg16_test.npy'),vgg16_test) save_VGG16_outputs() import os import numpy as np from keras.models import Sequential from keras import optimizers from keras.layers import Activation,Dropout,Flatten,Dense def train_FClayer(): train_data=np.load( os.path.join(result_dir,'vgg16_train.npy')) print(train_data.shape) train_labels=np.array( [0]*int(num_train/2)+[1]*int(num_train/2)) validation_data=np.load( os.path.join(result_dir,'vgg16_test.npy')) print(validation_data.shape) validation_labels=np.array( [0]*int(num_validation/2)+[1]*int(num_validation/2)) model=Sequential() model.add(Flatten(input_shape=train_data.shape[1:])) model.add(Dense(256,activation='relu')) model.add(Dense(1,activation='sigmoid')) model.compile( loss='binary_crossentropy', metrics=['accuracy'], optimizer=optimizers.SGD(lr=1e-4,momentum=0.9),) epoch=60 batch_size=32 history=model.fit(train_data, train_labels, epochs=epoch, batch_size=batch_size, verbose=1, validation_data=(validation_data,validation_labels)) with open('model.json','w') as json_file: json_file.write(model.to_json()) model.save('model_and_weight.h5') return history history=train_FClayer()
画像の処理コード
python
from keras.applications.vgg16 import VGG16 from keras.preprocessing.image import ImageDataGenerator from keras.layers import Input import numpy as np import os num_eva =1 img_h,img_w=150,150 channels=3 batch_size=32 eva_data_dir='data/evaluation' result_dir='results' if not os.path.exists(result_dir): os.mkdir(result_dir) def save_VGG16_outputs(): model=VGG16( include_top=False, weights='imagenet', input_shape=(img_h,img_w,channels)) model.summary() datagen=ImageDataGenerator(rescale=1.0/255) eva_generator=datagen.flow_from_directory( eva_data_dir, target_size=(img_w,img_h), batch_size=batch_size, class_mode=None, shuffle=False) print('eva-label:',eva_generator.class_indices) vgg16_eva=model.predict_generator( eva_generator, verbose=1) np.save(os.path.join(result_dir,'vgg16_eva.npy'),vgg16_eva) print(vgg16_eva.shape) save_VGG16_outputs() Model: "vgg16" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_2 (InputLayer) [(None, 150, 150, 3)] 0 _________________________________________________________________ block1_conv1 (Conv2D) (None, 150, 150, 64) 1792 _________________________________________________________________ block1_conv2 (Conv2D) (None, 150, 150, 64) 36928 _________________________________________________________________ block1_pool (MaxPooling2D) (None, 75, 75, 64) 0 _________________________________________________________________ block2_conv1 (Conv2D) (None, 75, 75, 128) 73856 _________________________________________________________________ block2_conv2 (Conv2D) (None, 75, 75, 128) 147584 _________________________________________________________________ block2_pool (MaxPooling2D) (None, 37, 37, 128) 0 _________________________________________________________________ block3_conv1 (Conv2D) (None, 37, 37, 256) 295168 _________________________________________________________________ block3_conv2 (Conv2D) (None, 37, 37, 256) 590080 _________________________________________________________________ block3_conv3 (Conv2D) (None, 37, 37, 256) 590080 _________________________________________________________________ block3_pool (MaxPooling2D) (None, 18, 18, 256) 0 _________________________________________________________________ block4_conv1 (Conv2D) (None, 18, 18, 512) 1180160 _________________________________________________________________ block4_conv2 (Conv2D) (None, 18, 18, 512) 2359808 _________________________________________________________________ block4_conv3 (Conv2D) (None, 18, 18, 512) 2359808 _________________________________________________________________ block4_pool (MaxPooling2D) (None, 9, 9, 512) 0 _________________________________________________________________ block5_conv1 (Conv2D) (None, 9, 9, 512) 2359808 _________________________________________________________________ block5_conv2 (Conv2D) (None, 9, 9, 512) 2359808 _________________________________________________________________ block5_conv3 (Conv2D) (None, 9, 9, 512) 2359808 _________________________________________________________________ block5_pool (MaxPooling2D) (None, 4, 4, 512) 0 ================================================================= Total params: 14,714,688 Trainable params: 14,714,688 Non-trainable params: 0 _________________________________________________________________ Found 1 images belonging to 1 classes. eva-label: {'1': 0} 1/1 [==============================] - 2s 2s/step (1, 4, 4, 512)
本に書かれているものを使って作成したものです。
学習済みファイルの作成も今回の任意の画像を分類するものも、同じ本のものを採用しています。
差し支えなければ、その本の題名と、コードが乗ってるページを教えてください
あるいは、
> 学習済みファイルの作成も今回の任意の画像を分類するものも、同じ本のものを採用
の、「学習済みファイルの作成」のコードを質問に書いてくださるのでもいいです
学習済みファイルの作成コードを本文中に記載させていただきました。
学習コードを見ると、「model_and_weight.h5」は「train_FClayer()」内の「model」の学習結果です
その学習時の入力は「train_data」でしたので、「model_and_weight.h5」を使って推論する場合の入力データのshapeは「train_data」と同じである必要があります
「train_FClayer()」の先頭の近くにある
print(train_data.shape)
の実行結果は、
(画像ファイル数, 4, 4, 512)
となってるはずです
「model_and_weight.h5」を使って推論する場合の入力データのshapeは、上記のようになってる必要がありますが、そうではない
(画像ファイル数, 150, 150, 3)
というshapeのデータを入力してるので、質問に書かれてるエラーになります
「train_FClayer()」の「train_data」は「vgg16_train.npy」を読み込んだもので、「vgg16_train.npy」は「save_VGG16_outputs()」内で「vgg16_train」を保存したもので、「vgg16_train」は「model.predict_generator()」の実行結果です
したがって、「model_and_weight.h5」を使って推論する場合の入力は、画像データをそのまま使うのではなく、画像データを「save_VGG16_outputs()」の「model.predict_generator()」と同様な処理を行った結果を使う必要があります
丁寧な説明ありがとうございます。
ご指摘の通り画像サイズの部分を変更しました。
しかし、チャンネル数の変更の方法が分からず下記のようなエラーが出てしまいました。
変更方法がもしわかりましたら、教えていただけると幸いです。
WARNING:tensorflow:Model was constructed with shape (None, 4, 4, 512) for input KerasTensor(type_spec=TensorSpec(shape=(None, 4, 4, 512), dtype=tf.float32, name='flatten_input'), name='flatten_input', description="created by layer 'flatten_input'"), but it was called on an input with incompatible shape (None, 4, 4, 3).
違いますよ
画像データを「model.predict_generator()」と同様な処理を行った結果を使うのです
「save_VGG16_outputs()」の内容をよく見てください
そこでの「model」は「VGG16()」ですよね
したがって、「model.predict_generator()」は、「VGG16()」に画像を入力して処理するということです
画像データを「VGG16()」に入力した時の出力のshapeが
(画像ファイル数, 4, 4, 512)
なのです
それが「model_and_weight.h5」の入力です
勘違いしておりました。申し訳ありません。
上記の質問欄に記載させていただいたとおり、画像データを「model.predict_generator()」で処理を行いました。
この結果を用いればよろしいのでしょうか？
また、どのように用いればよろしいのでしょうか？
参考にしてる本の題名を教えてください
Kaggleで学んでハイスコアをたたき出す！ Python機械学習&データ分析
か
必要な数学だけでわかる ディープラーニングの理論と実装
ですか？
「必要な数学だけでわかる ディープラーニングの理論と実装」、チーム・カルポ著、秀和システム、2019年1月1日
ｐ178～です。
188ページからのコード
https://www.shuwasystem.co.jp/support/7980html/5667.html
から落とせますよ
確認してみたところ、画像分類を行うコードが違ったみたいなので、修正して実行してみます。
ダウンロードして実行してみたところ完成しました。
教えていただきありがとうございました。
まだ回答がついていません
会員登録して回答してみよう
