运动鞋品牌识别

news2024/11/15 10:51:46

一、前期工作


1. 设置GPU

from tensorflow       import keras
from tensorflow.keras import layers,models
import os, PIL, pathlib
import matplotlib.pyplot as plt
import tensorflow        as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
    
gpus


如果使用的是CPU可以忽略这步



2. 导入数据

data_dir = "./46-data/"

data_dir = pathlib.Path(data_dir)




3. 查看数据

 

image_count = len(list(data_dir.glob('*/*/*.jpg')))

print("图片总数为：",image_count)


 

图片总数为： 578
roses = list(data_dir.glob('train/nike/*.jpg'))
PIL.Image.open(str(roses[0]))

YAIRI

output_11_0.png



二、数据预处理

1. 加载数据

使用image_dataset_from_directory方法将磁盘中的数据加载到tf.data.Dataset中
●tf.keras.preprocessing.image_dataset_from_directory()：是 TensorFlow 的 Keras 模块中的一个函数，用于从目录中创建一个图像数据集（dataset）。这个函数可以以更方便的方式加载图像数据，用于训练和评估神经网络模型。


测试集与验证集的关系：

1验证集并没有参与训练过程梯度下降过程的，狭义上来讲是没有参与模型的参数训练更新的。
2但是广义上来讲，验证集存在的意义确实参与了一个“人工调参”的过程，我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop，或者根据这个过程模型的性能变化来调整模型的超参数，如学习率，batch_size等等。
3因此，我们也可以认为，验证集也参与了训练，但是并没有使得模型去overfit验证集

batch_size = 32
img_height = 224
img_width = 224



如果准备尝试 categorical_crossentropy损失函数，下面的代码遇到变动哈，变动细节将在下一周博客内公布。
 

"""
关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    "./46-data/train/",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

Found 502 files belonging to 2 classes.
"""
关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    "./46-data/test/",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)
Found 76 files belonging to 2 classes.




我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。
 

class_names = train_ds.class_names
print(class_names)
['adidas', 'nike']



2. 可视化数据

 

plt.figure(figsize=(20, 10))

for images, labels in train_ds.take(1):
    for i in range(20):
        ax = plt.subplot(5, 10, i + 1)

        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])
        
        plt.axis("off")

output_22_0.png



3. 再次检查数据

 

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break
(32, 224, 224, 3)
(32,)


●Image_batch是形状的张量（32,224,224,3）。这是一批形状224x224x3的32张图片（最后一维指的是彩色通道RGB）。
●Label_batch是形状（32，）的张量，这些标签对应32张图片

4. 配置数据集

●shuffle() ：打乱数据，关于此函数的详细介绍可以参考：数据集shuffle方法中buffer_size的理解 - 知乎
●prefetch() ：预取数据，加速运行

prefetch()功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。如果不使用prefetch()，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：

image.png


使用prefetch()可显著减少空闲时间：

image.png


●cache() ：将数据集缓存到内存当中，加速运行

AUTOTUNE = tf.data.AUTOTUNE

train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)



三、构建CNN网络

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。不需要输入batch size。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道（color channel）。在此示例中，我们的 CNN 输入的形状是 (224, 224, 3)即彩色图像。我们需要在声明第一层时将形状赋值给参数input_shape。

网络结构图（可单击放大查看）：

image.png

"""
关于卷积核的计算不懂的可以参考文章：https://blog.csdn.net/qq_38251616/article/details/114278995

layers.Dropout(0.4) 作用是防止过拟合，提高模型的泛化能力。
关于Dropout层的更多介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/115826689
"""

model = models.Sequential([
    layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
    
    layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3  
    layers.AveragePooling2D((2, 2)),               # 池化层1，2*2采样
    layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层2，卷积核3*3
    layers.AveragePooling2D((2, 2)),               # 池化层2，2*2采样
    layers.Dropout(0.3),  
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3，卷积核3*3
    layers.Dropout(0.3),  
    
    layers.Flatten(),                       # Flatten层，连接卷积层与全连接层
    layers.Dense(128, activation='relu'),   # 全连接层，特征进一步提取
    layers.Dense(len(class_names))               # 输出层，输出预期结果
])

model.summary()  # 打印网络结构
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
rescaling (Rescaling)        (None, 224, 224, 3)       0         
_________________________________________________________________
conv2d (Conv2D)              (None, 222, 222, 16)      448       
_________________________________________________________________
average_pooling2d (AveragePo (None, 111, 111, 16)      0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 109, 109, 32)      4640      
_________________________________________________________________
average_pooling2d_1 (Average (None, 54, 54, 32)        0         
_________________________________________________________________
dropout (Dropout)            (None, 54, 54, 32)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 52, 52, 64)        18496     
_________________________________________________________________
dropout_1 (Dropout)          (None, 52, 52, 64)        0         
_________________________________________________________________
flatten (Flatten)            (None, 173056)            0         
_________________________________________________________________
dense (Dense)                (None, 128)               22151296  
_________________________________________________________________
dense_1 (Dense)              (None, 2)                 258       
=================================================================
Total params: 22,175,138
Trainable params: 22,175,138
Non-trainable params: 0
_________________________________________________________________




四、训练模型

在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：

●损失函数（loss）：用于衡量模型在训练期间的准确率。
●优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。
●指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。

1.设置动态学习率

📮 ExponentialDecay函数：
tf.keras.optimizers.schedules.ExponentialDecay是 TensorFlow 中的一个学习率衰减策略，用于在训练神经网络时动态地降低学习率。学习率衰减是一种常用的技巧，可以帮助优化算法更有效地收敛到全局最小值，从而提高模型的性能。

🔎 主要参数：
●initial_learning_rate（初始学习率）：初始学习率大小。
●decay_steps（衰减步数）：学习率衰减的步数。在经过 decay_steps 步后，学习率将按照指数函数衰减。例如，如果 decay_steps 设置为 10，则每10步衰减一次。
●decay_rate（衰减率）：学习率的衰减率。它决定了学习率如何衰减。通常，取值在 0 到 1 之间。
●staircase（阶梯式衰减）：一个布尔值，控制学习率的衰减方式。如果设置为 True，则学习率在每个 decay_steps 步之后直接减小，形成阶梯状下降。如果设置为 False，则学习率将连续衰减。

# 设置初始学习率
initial_learning_rate = 0.1

lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
        initial_learning_rate, 
        decay_steps=10,      # 敲黑板！！！这里是指 steps，不是指epochs
        decay_rate=0.92,     # lr经过一次衰减就会变成 decay_rate*lr
        staircase=True)

# 将指数衰减学习率送入优化器
optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)

model.compile(optimizer=optimizer,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])



注：这里设置的动态学习率为：指数衰减型（ExponentialDecay）。在每一个epoch开始前，学习率（learning_rate）都将会重置为初始学习率（initial_learning_rate），然后再重新开始衰减。计算公式如下：

learning_rate = initial_learning_rate * decay_rate ^ (step / decay_steps)

学习率大与学习率小的优缺点分析:

学习率大

● 优点：
○1、加快学习速率。
○2、有助于跳出局部最优值。
● 缺点：
○1、导致模型训练不收敛。
○2、单单使用大学习率容易导致模型不精确。

学习率小

● 优点：
○1、有助于模型收敛、模型细化。
○2、提高模型精度。
● 缺点：
○1、很难跳出局部最优值。
○2、收敛缓慢。

2.早停与保存最佳模型参数

EarlyStopping()参数说明：

●monitor: 被监测的数据。
●min_delta: 在被监测的数据中被认为是提升的最小变化， 例如，小于 min_delta 的绝对变化会被认为没有提升。
●patience: 没有进步的训练轮数，在这之后训练就会被停止。
●verbose: 详细信息模式。
●mode: {auto, min, max} 其中之一。 在 min 模式中， 当被监测的数据停止下降，训练就会停止；在 max 模式中，当被监测的数据停止上升，训练就会停止；在 auto 模式中，方向会自动从被监测的数据的名字中判断出来。
●baseline: 要监控的数量的基准值。 如果模型没有显示基准的改善，训练将停止。
●estore_best_weights: 是否从具有监测数量的最佳值的时期恢复模型权重。 如果为 False，则使用在训练的最后一步获得的模型权重。

from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping

epochs = 50

# 保存最佳模型参数
checkpointer = ModelCheckpoint('best_model.h5',
                                monitor='val_accuracy',
                                verbose=1,
                                save_best_only=True,
                                save_weights_only=True)

# 设置早停
earlystopper = EarlyStopping(monitor='val_accuracy', 
                             min_delta=0.001,
                             patience=20, 
                             verbose=1)



3. 模型训练
 

history = model.fit(train_ds,
                    validation_data=val_ds,
                    epochs=epochs,
                    callbacks=[checkpointer, earlystopper])
Epoch 1/50
16/16 [==============================] - 4s 31ms/step - loss: 3.5439 - accuracy: 0.4721 - val_loss: 0.6931 - val_accuracy: 0.5789

Epoch 00001: val_accuracy improved from -inf to 0.57895, saving model to best_model.h5
Epoch 2/50
16/16 [==============================] - 0s 12ms/step - loss: 0.6929 - accuracy: 0.5279 - val_loss: 0.6891 - val_accuracy: 0.6447

......

Epoch 00040: val_accuracy did not improve from 0.89474
Epoch 41/50
16/16 [==============================] - 0s 12ms/step - loss: 0.0931 - accuracy: 0.9841 - val_loss: 0.3837 - val_accuracy: 0.8816

Epoch 00041: val_accuracy did not improve from 0.89474
Epoch 42/50
16/16 [==============================] - 0s 12ms/step - loss: 0.0871 - accuracy: 0.9801 - val_loss: 0.3834 - val_accuracy: 0.8816

Epoch 00042: val_accuracy did not improve from 0.89474
Epoch 00042: early stopping



五、模型评估

1. Loss与Accuracy图
 

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(len(loss))

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

output_51_0.png


2. 指定图片进行预测
 

from PIL import Image
import numpy as np

# img = Image.open("./45-data/Monkeypox/M06_01_04.jpg")  #这里选择你需要预测的图片
img = Image.open("./46-data/test/nike/1.jpg")  #这里选择你需要预测的图片
image = tf.image.resize(img, [img_height, img_width])

img_array = tf.expand_dims(image, 0) #/255.0  # 记得做归一化处理（与训练集处理方式保持一致）

predictions = model.predict(img_array) # 这里选用你已经训练好的模型
print("预测结果为：",class_names[np.argmax(predictions)])

预测结果为： nike


 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1248091.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

网络安全工程师究竟是什么？怎么入门？

网络安全工程师究竟是什么？怎么入门？

首先啊骚年们我们必须先了解网络安全这个行业究竟是干啥的。 是打ctf的？一个个都像韩商言吴白那么帅刷刷敲几个代码就能轻易夺旗？ 还是像十大黑客之一的米特尼克一样闯入了“北美空中防务指挥系统”的计算机主机内，还在被通缉逃跑期间控制了…
阅读更多...
【多线程】Thread类的使用

【多线程】Thread类的使用

目录 1.概述 2.Thread的常见构造方法 3.Thread的几个常见属性 4.启动一个线程-start() 5.中断一个线程 5.1通过共享的标记来进行沟通 5.2 调用 interrupt() 方法来通知 6.等待一个进程 7.获取当前线程引用 8.线程的状态 8.1所有状态 8.2线程状态和转移的意义 1.概述 …
阅读更多...
基于java技术的社区交易二手平台

基于java技术的社区交易二手平台

基于java技术的社区交易二手平台的设计与实现 （一）开发背景 随着因特网的日益普及与发展，更多的人们开始通过因特网来寻求便利。但是，许多人都觉得网上商店里的东西不贵。所以，有些顾客宁愿去那些用二次定价建立起来的…
阅读更多...
Relabel与Metic Relabel

Relabel与Metic Relabel

Prometheus支持多种方式的自动发现目标（targets），以下是一些常见的自动发现方式： 静态配置：您可以在Prometheus配置文件中直接列出要监测的目标。这种方式适用于目标相对稳定的情况下，例如固定的服务器或设…
阅读更多...
【C++】泛型编程 ⑮ ( 类模板示例 - 数组类模板 | 自定义类中持有指针成员变量 )

【C++】泛型编程 ⑮ ( 类模板示例 - 数组类模板 | 自定义类中持有指针成员变量 )

文章目录 一、支持 数组类模板 存储的 自定义类1、可拷贝和可打印的自定义类2、改进方向3、改进方向 - 构造函数4、改进方向 - 析构函数5、改进方向 - 重载左移运算符6、改进方向 - 重载拷贝构造函数 和 等号运算符 二、代码示例1、Array.h 头文件2、Array.cpp 代码文件3、Test…
阅读更多...
网络安全—自学

网络安全—自学

1.网络安全是什么 网络安全可以基于攻击和防御视角来分类，我们经常听到的 “红队”、“渗透测试” 等就是研究攻击技术，而“蓝队”、“安全运营”、“安全运维”则研究防御技术。 2.网络安全市场 一、是市场需求量高； 二、则是发展相对成熟…
阅读更多...
路径规划之Best-First Search算法

路径规划之Best-First Search算法

系列文章目录 路径规划之Dijkstra算法 路径规划之Best-First Search算法 路径规划之Best-First Search算法 系列文章目录前言一、Best-First Search算法1.1 起源1.2 过程 三、简单使用 前言 Best-First Search算法和Dijkstra算法类似，都属于BFS的扩展或改进 一、…
阅读更多...
WebGL/threeJS面试题扫描与总结

WebGL/threeJS面试题扫描与总结

什么是 WebGL？什么是 Three.js？请解释three.js中的WebGL和Canvas的区别？ WebGL(全写Web Graphics Library)是一种3D绘图协议，这种绘图技术标准允许把JavaScript和OpenGL ES 2.0结合在一起，通过增加OpenGL ES 2.0的一个…
阅读更多...
分享一个软件模拟USB，支持HID

分享一个软件模拟USB，支持HID

文章目录 一、特性二、相对于替代解决方案的优势(1) 为什么不选择内置USB硬件的微控制器呢？(2) 与带 USB 硬件的微控制器相比的优势(3) 与单独的 USB 外设相比的优势(4) 与其他纯固件实现相比的优势 三、链接 一、特性 完全符合 USB 1.1 标准的低速设备&#xff0c…
阅读更多...
Javascript每天一道算法题（十五）——轮转数组_中等（一行解决轮转数组）

Javascript每天一道算法题（十五）——轮转数组_中等（一行解决轮转数组）

文章目录 1、问题2、示例3、解决方法（1）方法1——while遍历（较为复杂，不推荐）（2）方法2（直接截取后插入，推荐）（3）方法3——优化方法2&a…
阅读更多...
快速成为接口测试高手：实用指南！

快速成为接口测试高手：实用指南！

大量线上BUG表明，对接口进行测试可以有效提升产品质量，暴露手工测试时难以发现的问题，同时也能缩短测试周期，提升测试效率。但在实际执行过程中，接口测试被很多同学打上了“上手难，门槛高”的标签。 本文旨…
阅读更多...
【Spring Boot 源码学习】自定义 Banner 信息打印

【Spring Boot 源码学习】自定义 Banner 信息打印

Spring Boot 源码学习系列 自定义 Banner 信息打印 引言往期内容主要内容1. ResourceBanner 打印1.1 添加默认的 banner.txt 资源文件1.2 指定任意路径的资源文件1.3 添加自定义的信息 2. ImageBanner 打印2.1 添加默认的图像资源文件2.2 指定任意路径的图像资源文件2.3 添加自…
阅读更多...
2023年【熔化焊接与热切割】免费试题及熔化焊接与热切割模拟考试

2023年【熔化焊接与热切割】免费试题及熔化焊接与热切割模拟考试

题库来源：安全生产模拟考试一点通公众号小程序 熔化焊接与热切割免费试题是安全生产模拟考试一点通生成的，熔化焊接与热切割证模拟考试题库是根据熔化焊接与热切割最新版教材汇编出熔化焊接与热切割仿真模拟考试。2023年【熔化焊接与热切割】免费试题及…
阅读更多...
16个产品经理必备的原型设计软件盘点

16个产品经理必备的原型设计软件盘点

原型就像一幅画，比千言万语好。将产品或界面的概念转化为特定的对象是设计过程中的一个关键点，也是每个设计师创作过程的一部分。 每个设计师都应该有一个合适的原型工具。今天，将介绍18种设计原型工具，让我们看看！ …
阅读更多...
LV.12 D19 ADC实验 学习笔记

LV.12 D19 ADC实验 学习笔记

一、ADC简介 1.1 ADC ADC(Analog to Digital Converter)即模数转换器，指一个能将模拟信号转化为数字信号的电子元件 1.2 ADC主要参数 分辨率 ADC的分辨率一般以输出二进制数的位数来表示，当最大输入电压一定时，位数越高&#xff0c…
阅读更多...
Python基础之中常用的数据类型总结，从入门到入土的python教程之一。

Python基础之中常用的数据类型总结，从入门到入土的python教程之一。

文章目录 Python 中常用的数据类型包括：Python 中布尔类型(bool)Python 中的数字类型概述Pyhon中的字符串概述Python 中的List概述Python 中的元组类型(tuple)Python中的字典（Dictionary）Python中的集合（Set）Python中的…
阅读更多...
静态web服务器开发之HTTP协议

静态web服务器开发之HTTP协议

文章目录 版权声明HTTP协议网址HTTPS补充：HTTP的无状态特性浏览器访问Web服务器流程HTTP协议请求报文HTTP GET请求报文分析POST请求方式要点总结 HTTP协议响应报文HTTP 响应报文分析HTTP 状态码要点总结 HTTP协议通信过程查看 版权声明 本博客的内容基于我个人学习…
阅读更多...
基于uniapp的 电子书小程序——需求整理

基于uniapp的 电子书小程序——需求整理

前言 想开发一个很简单的 电子书阅读小程序，要怎么做的。下面从功能、数据库设计这一块来说一下。说不一定能从某个角度提供一些思路 开发语言 springcloud uniapp 小程序（vue2）mysql 说明 电子书的主题是电子书，我们在日常…
阅读更多...
运行软件报错找不到vcruntime140.dll无法继续执行代码怎么办-6个解决方法

运行软件报错找不到vcruntime140.dll无法继续执行代码怎么办-6个解决方法

vcruntime140.dll是一个由Microsoft Visual C提供的运行时库文件，它为许多Microsoft Visual Studio开发的应用程序提供了必要的支持。这个文件对于许多Windows应用程序的正常运行至关重要。然而，有时会出现vcruntime140.dll缺失的问题，导致应…
阅读更多...
“继续教育”招生报名网存在支付漏洞

“继续教育”招生报名网存在支付漏洞

1.找到该网站的一个登录页面，注册好账户密码登录进去 2，进去之后，找到一个网上缴费功能 3.选择338元的套餐，支付方式我选的支付宝用burp抓包 发现money0参数与金额有关，于是就尝试把monet0改成一看看能不能搞一个零元购…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023