画像分類において精度を向上させる方法

前提

kerasを用いて、2 クラスの画像分類を行うプログラムを作成しています。

100枚強程画像の入ったフォルダから画像を読み取り、npyファイルに保存→CNNで学習→推論を行なっているのですが、lossが0.69前後、accuracyも0.50前後と精度が悪いです。

プログラムのミス、精度を上げる方法をご教授頂ければ幸いです。

実現したいこと

lossの減少
accuracyの向上

発生している問題・エラーメッセージ

Epoch 25/30
131/131 [==============================] - 5s 40ms/step - loss: 0.6936 - accuracy: 0.4909
Epoch 26/30
131/131 [==============================] - 5s 40ms/step - loss: 0.6935 - accuracy: 0.5048
Epoch 27/30
131/131 [==============================] - 5s 40ms/step - loss: 0.6933 - accuracy: 0.5074
Epoch 28/30
131/131 [==============================] - 5s 39ms/step - loss: 0.6934 - accuracy: 0.5048
Epoch 29/30
131/131 [==============================] - 5s 39ms/step - loss: 0.6933 - accuracy: 0.5067
Epoch 30/30
131/131 [==============================] - 5s 39ms/step - loss: 0.6935 - accuracy: 0.5000
1/1 [==============================] - 0s 78ms/step
判別した画像 >>> ./god_judge/IMG_0206.jpeg
判別精度([良好,不良]) >>> [[0.5187298  0.48127016]]
判別結果 >>> 良好胚

該当のソースコード

pyhotn
1import cv2
2import sys
3from PIL import Image
4import os
5import tensorflow as tf
6import datetime
7import random
8import glob
9import numpy as np
10import h5py
11from PIL import ImageFile
12import matplotlib.pyplot as plt
13import keras
14from keras.models import Sequential
15from keras.layers import Convolution2D, MaxPooling2D
16from keras.layers import Activation, Dropout, Flatten, Dense
17from keras.optimizers import RMSprop
18from keras.utils import np_utils
19from keras.models import load_model
20from keras.callbacks import EarlyStopping
21from tensorflow.keras.utils import plot_model, to_categorical 
22from tensorflow.keras import datasets, layers, models
23
24
25# indexを教師ラベルとして割り当て(0にはgod、1にはbad)
26classes = ["god", "bad"]
27num_classes = len(classes)
28image_size = 64
29num_testdata = 50
30
31X_train = []
32X_test  = []
33y_train = []
34y_test  = []
35
36for index, classlabel in enumerate(classes):
37  
38  #学習用ファイルのインポート
39    files = glob.glob("god_learn/*.jpeg")
40    #files = glob.glob("bad_learn/*.jpeg")
41    image = cv2.imread(files[0])
42    #print(files)
43    for i, file in enumerate(files):
44        image = Image.open(file)
45        image = image.convert("RGB")
46        image = image.resize((image_size, image_size))
47        data = np.asarray(image)
48       
49        #print(image)
50        #print(data)
51        if i < num_testdata:
52            X_test.append(data)
53            y_test.append(index)
54        else:
55
56            # angleに代入される値
57            # -20
58            # -15
59            # -10
60            #  -5
61            # 0
62            # 5
63            # 10
64            # 15
65            # 画像を5度ずつ回転
66            for angle in range(-20, 20, 5):
67
68                img_r = image.rotate(angle)
69                data = np.asarray(img_r)
70                X_train.append(data)
71                y_train.append(index)
72                # FLIP_LEFT_RIGHT　は 左右反転
73                img_trains = img_r.transpose(Image.FLIP_LEFT_RIGHT)
74                data = np.asarray(img_trains)
75                X_train.append(data)
76                y_train.append(index) # indexを教師ラベルとして割り当てる.0にはgodを指定し、1にはbadを指定
77
78X_train = np.asanyarray(X_train)
79X_test  = np.asanyarray(X_test)
80y_train = np.asanyarray(y_train)
81y_test  = np.asanyarray(y_test)
82
83xy = (X_train, X_test, y_train, y_test)
84np.save('./imori.npy', xy)
85classes = ["god", "bad"]
86num_classes = len(classes)
87image_size = 64
88
89#データを読み込む
90def load_data():
91    X_train, X_test, y_train, y_test = np.load('./imori.npy', allow_pickle=True)
92    # 入力データの各画素値を0-1の範囲で正規化(学習コストを下げるため)
93    X_train = X_train.astype("float") / 255
94    X_test  = X_test.astype("float") / 255
95    # to_categorical()にてラベルをone hot vector化
96    y_train = np_utils.to_categorical(y_train, num_classes)
97    y_test  = np_utils.to_categorical(y_test, num_classes)
98
99    return X_train, y_train, X_test, y_test
100
101#モデルの学習
102def train(X, y, X_test, y_test):
103    model = Sequential()
104
105    #conv2D(64,(3,3)) →3✖️3のフィルタを64枚使う
106    model.add(Convolution2D(32,3, 3, padding='same',input_shape=X.shape[1:]))
107    model.add(Activation('relu'))
108    model.add(Convolution2D(32,(3, 3)))
109    model.add(Activation('relu'))
110    model.add(MaxPooling2D(pool_size=(2,2)))
111    model.add(Dropout(0.1))
112
113    model.add(Convolution2D(64,3, 3, padding='same'))
114    model.add(Activation('relu'))
115    model.add(Convolution2D(64,(3, 3)))
116    model.add(Activation('relu'))
117    model.add(MaxPooling2D(pool_size=(2,2)))
118    model.add(Dropout(0.1))
119
120    model.add(Flatten())
121    model.add(Dense(512))
122    model.add(Activation('relu'))
123    model.add(Dropout(0.5))
124    model.add(Dense(2)) # 識別のため、２クラス分類のため2を指定
125    model.add(Activation('softmax'))
126
127
128 # HDF5ファイルにKerasのモデルを保存
129    #ls:学習率(一度にどのくらいパラメータを変化させるか) decay:各更新の学習減衰率
130    adam = RMSprop(lr=0.01, decay=1e-6)
131    model.compile(loss='categorical_crossentropy',optimizer=adam,metrics=['accuracy'])
132    #学習回数を50回に設定
133    model.fit(X, y, batch_size=64, epochs=30) 
134
135    # HDF5ファイルにKerasのモデルを保存
136    model.save('./cnn.h5')
137    
138    
139
140    return model
141
142def main():
143#読み込み
144    X_train, y_train, X_test, y_test = load_data()
145# モデルの学習
146    model = train(X_train, y_train, X_test, y_test)
147
148main()
149
150#推論
151
152cnn = "./cnn.h5"
153
154#判別したい画像のインポート
155pic = "./god_judge/IMG_0206.jpeg"
156#pic = "./bad_judge/IMG_0209.jpeg"
157
158imsize = (64, 64)
159
160def load_image(path):
161    img = Image.open(path)
162    img = img.convert('RGB')
163    # 学習時に、(64, 64, 3)で学習したので、画像の縦・横は今回 変数imsizeの(64, 64)にリサイズします。
164    img = img.resize(imsize)
165    # 画像データをnumpy配列の形式に変更
166    img = np.asarray(img)
167    img = img / 255.0
168    return img
169    #print(img)
170
171model = load_model(cnn)
172img = load_image(pic)
173#print(img)
174prd = model.predict(np.array([img]))
175prelabel = np.argmax(prd, axis=1)
176print("判別した画像 >>>", pic)
177print("判別精度([良好,不良]) >>>", prd)
178
179if prelabel == 0:
180    print("判別結果 >>> 良好胚")
181elif prelabel == 1:
182    print("判別結果 >>> 不良胚")