質問編集履歴
4
コードの一部を記述していたものを、追加してコードの全部とした。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -13,6 +13,21 @@
|
|
|
13
13
|
|
|
14
14
|
```Python
|
|
15
15
|
#モデル作成およびTFLiteモデルに変換するときのコード（Colab）
|
|
16
|
+
import tensorflow as tf
|
|
17
|
+
import keras
|
|
18
|
+
from tensorflow.keras import layers
|
|
19
|
+
from keras.models import Sequential
|
|
20
|
+
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D, BatchNormalization
|
|
21
|
+
from keras.applications.vgg19 import VGG19
|
|
22
|
+
from tensorflow.keras.preprocessing.image import ImageDataGenerator
|
|
23
|
+
|
|
24
|
+
from google.colab import drive
|
|
25
|
+
drive.mount('/content/drive')
|
|
26
|
+
|
|
27
|
+
vgg19 = VGG19(include_top=False,weights='imagenet',input_shape=(224,224,3),pooling=None)
|
|
28
|
+
for layer in vgg19.layers:
|
|
29
|
+
layer.trainable = False
|
|
30
|
+
|
|
16
31
|
data_dir = '/content/drive/MyDrive/mirror1001/test'
|
|
17
32
|
|
|
18
33
|
batch_size = 32
|
3
文章の細かい誤りを修正
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -95,7 +95,7 @@
|
|
|
95
95
|
|
|
96
96
|
##### 上記の詳細・結果
|
|
97
97
|
ImageDataGeneratorを使わない場合に精度が低下することについての情報を見つけることができなかった。
|
|
98
|
-
データの入れ替え、データ拡張を追加するなど行ったが、精度が向上することは
|
|
98
|
+
データの入れ替え、データ拡張を追加するなど行ったが、精度が向上することはなかった。いくつか試した中では、２つのカテゴリーがほとんど区別できない場合や、上記で挙げたようにほとんど逆の判定をする場合などがあった。
|
|
99
99
|
|
|
100
100
|
### 補足
|
|
101
101
|
特になし
|
2
文章の誤りの修正
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -3,7 +3,7 @@
|
|
|
3
3
|
|
|
4
4
|
### 発生している問題・分からないこと
|
|
5
5
|
Colab上で精度よく（val_accuracyで0.9以上）分類されるのに、モデルをtensorFlowLiteに変換してスマホに組み込むと精度が大幅に低下する（ほとんど区別ができなくなる）。その理由や解決方法を知りたい。なお、ImageDataGeneratorを用いていたときはそういうことはなかったが、非推奨になったためimage_dataset_from_directory を用いたところ、この問題が発生した。
|
|
6
|
-
「車のドアミラーが開いているか閉じているかを判定する」という画像分類において、Colab上では下記のように非常によく分類できるモデルを作ることができた。ところがスマホに組み込んでdrawableに置いたdata_dirの画像（つまり、モデル作成時に用いた画像）を分類させると正答率が25%（2択の問題なのに不正解のほうが多い）となった。調べると、ドアミラーが
|
|
6
|
+
「車のドアミラーが開いているか閉じているかを判定する」という画像分類において、Colab上では下記のように非常によく分類できるモデルを作ることができた。ところがスマホに組み込んでdrawableに置いたdata_dirの画像（つまり、モデル作成時に用いた画像）を分類させると正答率が25%（2択の問題なのに不正解のほうが多い）となった。調べると、ドアミラーが閉じている写真は全て「open」、開いている写真の半分は「open」残りの半分は「closed」に分類される状況であった。
|
|
7
7
|
|
|
8
8
|
|
|
9
9
|
|
1
わかりにくい点の補足。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -3,7 +3,7 @@
|
|
|
3
3
|
|
|
4
4
|
### 発生している問題・分からないこと
|
|
5
5
|
Colab上で精度よく（val_accuracyで0.9以上）分類されるのに、モデルをtensorFlowLiteに変換してスマホに組み込むと精度が大幅に低下する（ほとんど区別ができなくなる）。その理由や解決方法を知りたい。なお、ImageDataGeneratorを用いていたときはそういうことはなかったが、非推奨になったためimage_dataset_from_directory を用いたところ、この問題が発生した。
|
|
6
|
-
「車のドアミラーが開いているか閉じているかを判定する」という画像分類において、Colab上では下記のように非常によく分類できるモデルを作ることができた。ところがスマホに組み込んでdrawableに置いたdata_dirの画像を分類させると正答率が25%（2択の問題なのに不正解のほうが多い）となった。調べると、ドアミラーが開いている写真は全て「open」、逆に閉じている写真の半分は「open」残りの半分は「closed」に分類される状況であった。
|
|
6
|
+
「車のドアミラーが開いているか閉じているかを判定する」という画像分類において、Colab上では下記のように非常によく分類できるモデルを作ることができた。ところがスマホに組み込んでdrawableに置いたdata_dirの画像（つまり、モデル作成時に用いた画像）を分類させると正答率が25%（2択の問題なのに不正解のほうが多い）となった。調べると、ドアミラーが開いている写真は全て「open」、逆に閉じている写真の半分は「open」残りの半分は「closed」に分類される状況であった。
|
|
7
7
|
|
|
8
8
|
|
|
9
9
|
|