MATLAB第49期】基于MATLAB的深度学习ResNet-18网络不平衡图像数据分类识别模型
一、基本介绍
这篇文章展示了如何使用不平衡训练数据集对图像进行分类，其中每个类的图像数量在类之间不同。两种最流行的解决方案是down-sampling降采样和over-sampling过采样。
在降采样中，每个类别的图像数量减少到所有类别中的最小图像数量。降采样的实现很容易：只需使用splitEachLabel函数并指定类的最小数量，
另一方面，当执行过采样时，每个类别的图像数量增加。这两种策略对于不平衡的数据集都是有效的。然而，过采样需要更复杂的过程。
本篇文章采用过采样平衡数据。
Label Count _____________ _____ caesar_salad 13 caprese_salad 8 french_fries 91 greek_salad 12 hamburger 119 hot_dog 16 pizza 150 sashimi 20 sushi 62
过采样结果：
Label Count _____________ _____ caesar_salad 150 caprese_salad 150 french_fries 150 greek_salad 150 hamburger 150 hot_dog 150 pizza 150 sashimi 150 sushi 150
二、数据情况
食品图像数据集包含九类食物的978张照片（ceaser_salad、caprese_salad，french_fries、greek_saland、汉堡包、hot_dog、披萨、生鱼片和寿司）。数据集可在下列地址下载
https://www.mathworks.com/supportfiles/nnet/data/ExampleFoodImageDataset.zip
本文为了提高运行速度 ，选择80%训练， 10%验证，10%测试。
三、代码展示
1.导入数据
imds = imageDatastore('ExampleFoodImageDataset');
2.图像数据展示
numExample=16; idx = randperm(numel(imds.Files),numExample); for i=1:numExample I=readimage(imds,idx(i)); I_tile{i}=insertText(I,[1,1],string(imds.Labels(idx(i))),'FontSize',20); end % use imtile function to tile out the example images I_tile = imtile(I_tile); figure() imshow(I_tile);title('examples of the dataset')
3.数据集划分 （训练80%，验证10%，测试10%）
[imdsTrain, imdsValid,imdsTest]=splitEachLabel(imds,0.8,0.1,0.1);
4.选取最大样本数
PerClass是所有类中的最大样本数。
PerClass = max(numObservations);
5.平衡数据
randReplicateFiles是一个仅对文件进行混洗的支持功能。
要选择的图像数量由PerClass定义。从数据库中找到不同类别的图像目录，然后随机复制对应的图像至对应的数量，以平衡类中的图像数量。
files = splitapply(@(x){randReplicateFiles(x,desiredNumObservationsPerClass)},imdsTrain.Files,G);
6.构建网络
加载预先训练的模型，ResNet-18
net = resnet18; inputSize = net.Layers(1).InputSize; lgraph = layerGraph(net); learnableLayer='fc1000'; classLayer='ClassificationLayer_predictions';
7.图像增强
定义图像增强器 pixelRange = [-30 30]; RotationRange = [-30 30]; scaleRange = [0.8 1.2]; imageAugmenter = imageDataAugmenter( ... 'RandXReflection',true, ... 'RandXTranslation',pixelRange, ... 'RandYTranslation',pixelRange, ... 'RandXScale',scaleRange, ... 'RandYScale',scaleRange, ... 'RandRotation',RotationRange ... );
8.设置网络参数
miniBatchSize = 64; valFrequency = max(floor(numel(augimdsTest.Files)/miniBatchSize)*10,1); options = trainingOptions('sgdm', ... 'MiniBatchSize',miniBatchSize, ... 'MaxEpochs',5, ...%30 'InitialLearnRate',1e-2, ...%3e-4 'Shuffle','every-epoch', ... 'ValidationData',augimdsValid, ... 'ValidationFrequency',valFrequency, ... 'Verbose',false, ... 'Plots','training-progress');
9.训练网络
net = trainNetwork(augimdsTrain,lgraph,options);
10.分类评估
[YPred,probs] = classify(net,augimdsTest); accuracy = mean(YPred == imdsTest.Labels) YValidation = imdsTest.Labels; YTrue=imdsTest.Labels; figure;cm=confusionchart(YTrue,YPred);
%当我运行这个代码时，主要的错误分类是生鱼片和寿司，
%它们看起来很相似。请尝试使用此代码进行过度采样，并希望它对您的工作有所帮助。
四、运行效果
五、代码获取
后台私信回复“49期”，即可获取下载链接。
