데이터 제너레이터를 통해 이미지를 증강하고 Transfer Learning하기

                                                      BASE MODEL                                                                          HEAD MODEL     

 

- 트랜스퍼 러닝은, 학습이 잘 된 모델을 가져와서 우리의 문제에 맞게 활용하는 것이므로
학습이 잘 된 모델의 base model만 가져온다 즉, head모델은 빼고 가져와서 사용자가 직접 head모델을 예측하는 것이다.

 

 

 

트랜스퍼 러닝의 과정은 다음과 같다

 

 

 

설치하기

!pip install tensorflow-gpu==2.0.0.alpha0

!pip install tqdm

 

 

 

Dogs vs Cats dataset 다운로드받기

 

!wget --no-check-certificate \
    https://storage.googleapis.com/mledu-datasets/cats_and_dogs_filtered.zip \
    -O ./cats_and_dogs_filtered.zip

 

 

 

 

임포트하기

import os
import zipfile
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

# 파이썬의 진행상태를 표시해 주는 라이브러리
from tqdm import tqdm_notebook

from tensorflow.keras.preprocessing.image import ImageDataGenerator

%matplotlib inline

 

 

 

 

 

압축파일 풀기

zipfile.ZipFile('/content/cats_and_dogs_filtered.zip').extractall()

 

 

압축파일을 풀면, 파일이 이렇게 뜬다.

 

 

 

 

 

압축을 푼 폴더(강아지, 고양이 사진이 들어있는 폴더)를 변수로 저장하기

 

train_dir = '/content/cats_and_dogs_filtered/train'

val_dir = '/content/cats_and_dogs_filtered/validation'

 

# 파일로 존재하는 데이터를, 메모리에 준비하는 것이다

 

 

 

 

 

이미 잘 된 모델을 가져와 헤드 떼어내기

 

# 우리가 만들려는 모델의 인풋 이미지는 128행 128열 컬러이미지로 한다

IMG_SHAPE = (128, 128, 3)

 

base_model = tf.keras.applications.MobileNetV2( input_shape = IMG_SHAPE

                                                                                , include_top = False # 헤드 떼기

                                                                                 ,  weights = 'imagenet')

 

 

#베이스모델을 Freezing시킨다

base_model.trainable = False

 

 

 

 

헤드 모델 만들기

from keras.layers import Flatten, Dense

head_model = base_model.output

head_model = Flatten()(head_model)

head_model = Dense(128, 'relu')(head_model)

head_model = Dense(1, 'sigmoid')(head_model)

 

 

 

 

베이스모델과 헤드모델 합치기

from keras.models import Model

model = Model(inputs = base_model.input ,outputs = head_model)

 

 

 

 

모델 컴파일 하기

 

from keras.optimizers import RMSprop

model.compile(RMSprop(0.0001), loss='binary_crossentropy', metrics=['accuracy'] )

 

 

 

 

데이터 증강시키기(Generators 사용)

 

이미지를 여러개로 변형시키고 조작시켜서 이미지를 더 풍부하게 생성해준다 (데이터 증강)
# shrear : 눕히다. 사람이 서서 손들고있는 사진을 눕힌 이미지로 변형시켜서 이미지 증가 시킨다
# zoom : 이미지를 줌 시킨다
# flip : 이미지 좌우반전시킨다  (horizontal_filp)은 위아래로 반전시킨다 vertical_flip은 양옆으로 반전시킨다
# shift : 왼쪽 오른쪽 위 아래로 이동시켜서 치우져진 이미지를 만든다 
# rotation : 이미지를 회전시킨다
# fill_mode : 픽셀이 비워져있으면 채우는 것이다

 

<이미지 증강의 예시>

train_datagen = ImageDataGenerator(
      rotation_range=40,
      width_shift_range=0.2,
      height_shift_range=0.2,
      shear_range=0.2,
      zoom_range=0.2,
      horizontal_flip=True,
      fill_mode='nearest')

 

# width_shift_range는 이미지를 좌우로 , height_shift_range는 이미지를 상하로 움직이는 것을 의미한다

 

 

train_datagen = ImageDataGenerator(rescale=1/255,
                   zoom_range=0.2,
                   width_shift_range=0.2,
                   height_shift_range=0.2)

 

# rescale 코드는 파일을 넘파이로 바꿔서 메모리로 만드는 코드이다. 이미지의 픽셀 값 범위는 0에서 255이다. 따라서 255로 나누어서 피처스케일링하면 된다.  ex ) ImageDataGenerator(rescale= 1/255)

 

train_generator = train_datagen.flow_from_directory(train_dir,
                                  target_size=(128,128),
                                  class_mode='binary')
# target size는 위에서 만든 모델의 input_shape와 일치해야 한다.
# 분류문제에서 클래스가 두개면 binary이다.

 

# train_generator은 X_train, y_train를 둘 다 가지고 있다.(train_dir이므로)

 

 

 

val(모의고사같은 개념) 또한 피쳐스케일링 해준다 

val_datagen = ImageDataGenerator(rescale=1/255)

val_generator = val_datagen.flow_from_directory(val_dir,
                                  target_size=(128,128),
                                  class_mode='binary')

 

 

 

 

 

모델 학습시키기

epoch_history = model.fit(train_generator,
                          epochs=5,
                          validation_data=val_generator)

 

 

import numpy as np
from google.colab import files
from keras.preprocessing import image

uploaded = files.upload()

for fn in uploaded.keys():

  # predicting images
  path = '/content/' + fn
  img = image.load_img(path, target_size=(128,128))
  x = image.img_to_array(img)
  x = np.expand_dims(x, axis=0)

  # print(x)

  images = np.vstack([x])

  images = images / 255

  # print(images)

  classes = model.predict(images, batch_size=10)
  print(classes[0])
  if classes[0]>0.5:
    print(fn + " is a dog")
  else:
    print(fn + " is a cat")

 

 

사진파일을 선택하여 넣으면 강아지인지 고양이인지 식별하는 모델이 완성된다.

 

 

 

 

ps.

 

Google의

Teachable Machine을 쓰면 간편하다

 

https://teachablemachine.withgoogle.com/