Transfer Learning Suite

Transferir pacote de aprendizagem em Keras

Notícias

Descrição

Este repositório serve como um Transfer Learning Suite. O objetivo é ser capaz de realizar facilmente a aprendizagem por transferência usando qualquer modelo de classificação de imagens Keras integrado! Qualquer sugestão para melhorar este repositório ou quaisquer novos recursos que você gostaria de ver são bem-vindos!

Você também pode conferir meu Conjunto de Segmentação Semântica.

Modelos

Todos os modelos Keras integrados estão disponíveis:

Modelo	Tamanho	Precisão principal	Precisão dos 5 principais	Parâmetros	Profundidade
VGG16	528MB	0,715	0,901	138.357.544	23
VGG19	549MB	0,727	0,910	143.667.240	26
ResNet50	99MB	0,759	0,929	25.636.712	168
Xcepção	88MB	0,790	0,945	22.910.480	126
InícioV3	92MB	0,788	0,944	23.851.784	159
InícioResNetV2	215MB	0,804	0,953	55.873.736	572
MobileNet	17MB	0,665	0,871	4.253.864	88
DenseNet121	33MB	0,745	0,918	8.062.504	121
DenseNet169	57MB	0,759	0,928	14.307.880	169
DenseNet201	80MB	0,770	0,933	20.242.984	201
NASNetMobile	21 MB	N / D	N / D	5.326.716	N / D
NASNetLarge	342MB	N / D	N / D	88.949.818	N / D

Arquivos e diretórios

• main.py: modo de treinamento e previsão

• utils.py: Funções do utilitário auxiliar

• pontos de verificação: arquivos de pontos de verificação para cada época durante o treinamento

• Previsões: resultados de previsão

Instalação

Este projeto possui as seguintes dependências:

• Numpy sudo pip install numpy

• OpenCV Python sudo apt-get install python-opencv

• TensorFlow sudo pip install --upgrade tensorflow-gpu

• Keras sudo pip install keras

Uso

A única coisa que você precisa fazer para começar é configurar as pastas na seguinte estrutura:

 ├── "dataset_name"                   
|   ├── train
|   |   ├── class_1_images
|   |   ├── class_2_images
|   |   ├── class_X_images
|   |   ├── .....
|   ├── val
|   |   ├── class_1_images
|   |   ├── class_2_images
|   |   ├── class_X_images
|   |   ├── .....
|   ├── test
|   |   ├── class_1_images
|   |   ├── class_2_images
|   |   ├── class_X_images
|   |   ├── .....

Então você pode simplesmente executar main.py ! Confira os argumentos opcionais da linha de comando:

 usage: main.py [-h] [--num_epochs NUM_EPOCHS] [--mode MODE] [--image IMAGE]
               [--continue_training CONTINUE_TRAINING] [--dataset DATASET]
               [--resize_height RESIZE_HEIGHT] [--resize_width RESIZE_WIDTH]
               [--batch_size BATCH_SIZE] [--dropout DROPOUT] [--h_flip H_FLIP]
               [--v_flip V_FLIP] [--rotation ROTATION] [--zoom ZOOM]
               [--shear SHEAR] [--model MODEL]

optional arguments:
  -h, --help            show this help message and exit
  --num_epochs NUM_EPOCHS
                        Number of epochs to train for
  --mode MODE           Select "train", or "predict" mode. Note that for
                        prediction mode you have to specify an image to run
                        the model on.
  --image IMAGE         The image you want to predict on. Only valid in
                        "predict" mode.
  --continue_training CONTINUE_TRAINING
                        Whether to continue training from a checkpoint
  --dataset DATASET     Dataset you are using.
  --resize_height RESIZE_HEIGHT
                        Height of cropped input image to network
  --resize_width RESIZE_WIDTH
                        Width of cropped input image to network
  --batch_size BATCH_SIZE
                        Number of images in each batch
  --dropout DROPOUT     Dropout ratio
  --h_flip H_FLIP       Whether to randomly flip the image horizontally for
                        data augmentation
  --v_flip V_FLIP       Whether to randomly flip the image vertically for data
                        augmentation
  --rotation ROTATION   Whether to randomly rotate the image for data
                        augmentation
  --zoom ZOOM           Whether to randomly zoom in for data augmentation
  --shear SHEAR         Whether to randomly shear in for data augmentation
  --model MODEL         Your pre-trained classification model of choice