Блог

У меня есть уже обученная модель, и я хочу делать прогнозы двоичной классификации для изображений в каталоге. У меня более 100 000 изображений, поэтому для повышения эффективности я хочу делать пакетные прогнозы. Как я могу выполнять пакетные прогнозы для своих изображений, получать результаты прогнозирования и сохранять изображения в двух отдельных папках после того, как они были предсказаны на основе класса?

Вот как пока выглядит мой код…

 model_filepath = r"C:Usersmodel_200.h5"
model = tf.keras.models.load_model(model_filepath)

test_dir = r"C:Usersimage_testing_folder"

batch_size = 64
IMG_HEIGHT = 200
IMG_WIDTH = 200

test_image_generator = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)
test_image_gen = test_image_generator.flow_from_directory(directory=str(test_dir),
                                                         batch_size=batch_size,
                                                         shuffle=False,
                                                         target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                         )

predictions = (model.predict(test_image_gen) > 0.5).astype("int32")
predictions
  

Одним из решений было бы связать прогноз с путем к файлу изображения, а затем использовать shutil.move() для перемещения исходного изображения в папку назначения. Как бы я это сделал? Есть ли лучший способ для пакетного прогнозирования, чем использование ImageDataGenerator и .flow_from_directory ?

Вы можете создать пользовательский набор данных, чтобы также легко получить имя файла:

 import tensorflow as tf
from tensorflow.keras.layers import *
from tensorflow.keras import Sequential
from glob2 import glob
from shutil import copy
import numpy as np

files = glob('group1\*\*.jpg')

imsize = 64

def load(file_path):
    img = tf.io.read_file(file_path)
    img = tf.image.decode_png(img, channels=3)
    img = tf.image.convert_image_dtype(img, tf.float32)
    img = tf.image.resize(img, size=(imsize, imsize))
    return img, file_path

ds = tf.data.Dataset.from_tensor_slices(files).
    take(100).
    shuffle(100).
    map(load).batch(4)

model = Sequential()
model.add(Conv2D(8, (3, 3), input_shape=(imsize, imsize, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(units=32, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(units=2, activation='sigmoid'))
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

model.build(input_shape=(imsize, imsize, 3))

categories = np.array(['cats', 'dogs'])

target_dir = 'newpics'

for cat in categories:
    os.makedirs(os.path.join(target_dir, cat), exist_ok=True)

for images, filenames in ds:
    preds = model(images)
    targets = categories[np.argmax(preds, axis=1)]
    for file, destination in zip(filenames, targets):
        copy(file.numpy().decode(), os.path.join(target_dir, destination,
                                os.path.basename(file.numpy().decode())
                                ))
        print(file.numpy().decode(), '-->', os.path.join(target_dir, destination,
                                os.path.basename(file.numpy().decode())
                                ))
  

 group1catscat.4051.jpg --> newpicscatscat.4051.jpg
group1catscat.4091.jpg --> newpicsdogscat.4091.jpg
group1catscat.4055.jpg --> newpicscatscat.4055.jpg
group1catscat.4041.jpg --> newpicscatscat.4041.jpg
group1catscat.4090.jpg --> newpicscatscat.4090.jpg
group1catscat.4071.jpg --> newpicsdogscat.4071.jpg
group1catscat.4082.jpg --> newpicscatscat.4082.jpg
group1catscat.4037.jpg --> newpicscatscat.4037.jpg
group1catscat.4005.jpg --> newpicscatscat.4005.jpg
  

Все, что вам нужно изменить, это шаблон глобуса и папки.