用 Python 圖像識別打造一個小狗分類器

項目介紹
通過這個分類器，你只需要上傳照片，就可以得到小狗的品種，以及更多的信息。這就是所謂的「機器學習」，讓機器自己去「學習」。我們今天要做的這個分類任務，是一個「監督學習」的過程。監督學習的主要目標是從有標籤的訓練數據中學習模型，以便對未知或未來的數據做出預測。我給大家講一個例子。
用「房子的尺寸」預測「房子的價格」

    X-房子的尺寸（小狗的圖片）
    Y-房子的價格（小狗的類別）

如圖，我們根據已經有的數據集（圖上的坐標），可以擬合出一條近似符合規律的直線。這樣，再有新的房子尺寸（1250），我們就可以估算出房子的價格（220k）了。效果展示說明過擬合了，可以再增加一些圖片，或者使用數據增強，來減少過擬合。

編寫思路我們可以通過爬蟲技術，把4類圖像（京巴、拉布拉多、柯基、泰迪）保存到本地。總共有840張圖片做訓練集，188張圖片做測試集。1) 統一尺寸為100*100*3（RGB彩色圖像）

img = Image.open(img_path)
new_img = img.resize((100, 100), Image.BILINEAR)
new_img.save(os.path.join('./dog_kinds_after/' + dog_name, jpgfile))

2) 由於數據是自己下載的，需要製作標籤（label），可提取圖像名稱的第一個數字作為類別。（重命名圖片）

kind = 0


images = os.listdir(images_path)
for name in images:
    image_path = images_path + '/'
    os.rename(image_path + name, image_path + str(kind) +'_' + name.split('.')[0]+'.jpg')

ima_train = os.listdir('./train')

# 1.把圖片轉換為矩陣
def read_train_image(filename):
    img = Image.open('./train/' + filename).convert('RGB')
    return np.array(img)

x_train = []

for i in ima_train:
    x_train.append(read_train_image(i))x_train = np.array(x_train)
# 3.提取kind類別作為標籤
y_train = []
for filename in ima_train:
    y_train.append(int(filename.split('_')[0]))


y_train = np.array(y_train)



y_train = y_train - 1  



y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
print(y_test)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')

x_train /= 255
x_test /= 255print(x_train.shape)  
print(y_train.shape)  

3 搭建卷積神經網絡

Keras是基於TensorFlow的深度學習庫，是由純Python編寫而成的高層神經網絡API，也僅支持Python開發。它是為了支持快速實踐而對Tensorflow的再次封裝，讓我們可以不用關注過多的底層細節，能夠把想法快速轉換為結果。

model = Sequential()






model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))


model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4, activation='softmax'))

對上圖來說，就是根據數據集，不斷的迭代，找到一條最近似的直線（y = kx + b），把參數k，b保存下來，預測的時候直接加載。

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])



model.fit(x_train, y_train, batch_size=10, epochs=32)



model.save_weights('./dog_weights.h5', overwrite=True)

score = model.evaluate(x_test, y_test, batch_size=10)
print(score)

此時k、b(參數)和x(小狗的圖像)都是已知的了，求k(類別)就完了。

name = input('上傳圖片的名稱（例如：XX.jpg）為：')




model.load_weights('dog_weights.h5')


classes = model.predict_classes(x_test)[0]

target = ['京巴', '拉布拉多', '柯基', '泰迪']



print("識別結果為:" + target[classes])

依賴環境3 Pycharm/Jupyter notebook總結