TensorFlow图像分类教程-阿里云开发者社区

开发者社区> 人工智能> 正文

TensorFlow图像分类教程

简介: 采用开源TensorFlow ,创建一个结构简单、功能强大神经网络对图像进行分类。

深度学习算法与计算机硬件性能的发展,使研究人员和企业在图像识别、语音识别、推荐引擎和机器翻译等领域取得了巨大的进步。六年前,视觉模式识别领域取得了第一个超凡的成果。两年前,Google大脑团队开发了TensorFlow,并将深度学习巧妙的应用于各个领域。现在,TensorFlow则超越了很多用于深度学习的复杂工具。

利用TensorFlow,你可以获得具有强大能力的复杂功能,其强大的基石来自于TensorFlow的易用性。

在这个由两部分组成的系列中,我将讲述如何快速的创建一个应用于图像识别的卷积神经网络。TensorFlow计算步骤是并行的,可对其配置进行逐帧视频分析,也可对其扩展进行时间感知视频分析。

本系列文章直接切入关键的部分,只需要对命令行和Python有最基本的了解,就可以在家快速创建一些令你激动不已的项目。本文不会深入探讨TensorFlow的工作原理,如果你想了解更多,我会提供大量额外的参考资料。本系列所有的库和工具都是免费开源的软件。

工作原理

本教程旨在把一个事先被放到训练过的类别里的图片,通过运行一个命令以识别该图像具体属于哪个类别。步骤如下图所示:

b0017b83ed5115961d94afe7450be2b89fea9b60 

:管理训练数据。例如花卉,将雏菊的图像放到雏菊目录,将玫瑰放到玫瑰目录等等,将尽可能多的不同种类的花朵按照类别不同放在不同的目录下。如果我们不标注蕨类植物,那么分类器永远也不会返回蕨类植物。这需要每个类型的很多样本,因此这一步很重要,并且很耗时。(本文使用预先标记好的数据以提高效率)

训练:将标记好的数据(图像)提供给模型。有一个工具随机抓取一批图像,使用模型猜测每种花的类型,测试猜测的准确性,重复执行,直到使用了大部分训练数据为止。最后一批未被使用的图像用于计算训练模型的准确性。

分类:在新的图像上使用模型。例如,输入:IMG207.JPG,输出:雏菊。这个步骤快速简单,且衡量的代价小

训练和分类

本教程将训练一个用于识别不同类型花朵图像分类器。深度学习需要大量的训练数据,因此,我们需要大量已分类的花朵图像。值得庆幸的是,另外一个模型在图像收集和分类这方面做得非常出色,所以我们使用这个带有脚本的已分类数据集,它有现成且完全训练过的图像分类模型重新训练模型最后几层以达到我们想要的结果,这种技术称为迁移学习。

我们重新训练的模型是Inception v3,最初是在201512月发表的论文重新思考计算机视觉Inception架构中有做论述。

直到我们做了这个约20分钟的训练Inception知道如何识别雏菊和郁金香,这就是深度学习中的学习部分。

安装

首先,在所选的平台上安装Docker

在很多TensorFlow教程中最先且唯一依赖的就是Docker(应该表明这是个合理的开始)我也更喜欢这种安装TensorFlow的方法,因为不需要安装一系列的依赖项,可以保持主机(笔记本或桌面)比较干净

Bootstrap TensorFlow

安装Docker后,我们准备启动一个练和分类TensorFlow容器。在硬盘上创建一个2GB空闲空间的工作目录,创建一个名为local的子目录,并记录完整路径。

docker run -v /path/to/local:/notebooks/local --rm -it --name tensorflow 
tensorflow/tensorflow:nightly /bin/bash

下面是命令解析

-v /path/to/local:/notebooks/local将刚创建的local目录挂载到容器适当的位置。如果使用RHELFedora或其他支持SELinux的系统,添加:Z允许容器访问目录。

--rm 退出时docker删除容器

-it 连接输入输出,实现交互。

--name tensorflow将容器命名为tensorflow,而不是sneaky_chowderhead任何Docker定义的随机名字。

tensorflow/tensorflow:nightlyDocker Hub (公共图像存储库)运行tensorflow/tensorflownightly 图像,而不是最新的图像(默认为最近建立/可用图像)。使用nightly图像而不是latest图像,因为(在写入时)latest包含的一个bug破坏TensorBoard,这是我们稍后需要的一个数据可视化工具。

/bin/bash指定运行Bash shell,而不运行系统默认命令。

训练模型

在容器运行下述命令对训练数据进行下载和完整性检查。

curl -O http://download.tensorflow.org/example_images/flower_photos.tgz
echo 'db6b71d5d3afff90302ee17fd1fefc11d57f243f  flower_photos.tgz' | sha1sum -c

如果没有看到“flower_photos.tgz”信息说明文件不正确。如果上诉curl sha1sum步骤失败,请手动下载训练数据包并解压(SHA-1 校验码:db6b71d5d3afff90302ee17fd1fefc11d57f243f本地主机的local目录下

现在把训练数据放好,然后对再训练脚本进行下载和完整性检查。

mv flower_photos.tgz local/
cd local
curl -O https://raw.githubusercontent.com/tensorflow/tensorflow/10cf65b48e1b2f16eaa82
6d2793cb67207a085d0/tensorflow/examples/image_retraining/retrain.py
echo 'a74361beb4f763dc2d0101cfe87b672ceae6e2f5  retrain.py' | sha1sum -c

确认retrain.py有正确的内容,你应该看到retrain.py: OK.

最后,开始学习!运行再训练脚本。

python retrain.py --image_dir flower_photos --output_graph output_graph.pb 
--output_labels output_labels.txt

如果遇到如下错误,忽略它

TypeError: not all arguments converted during string formatting Logged from file
tf_logging.py, line 82.

随着retrain.py 的运行,训练图像会自动的分批次训练、测试和验证数据集。

在输出,我们希望有较高的训练精度验证精度,以及较低的交叉熵。有关这些术语的详细解释,请参照如何就新图片类型再训练Inception最后一层。在当前的硬件上的训练约30分钟。

请注意控制台输出的最后一行:

INFO:tensorflow:Final test accuracy = 89.1% (N=340)

这说明我们已经得到了一个模型给定一图像,109正确猜出是五种花朵类型中的哪一种。由于提供给训练过程的随机数不同,分类的精确度也会有所不同。

分类

再添加一个小脚本,就可以将新的花朵图像添加到模型中,并输出测试结果。这就是图像分类。

将下述脚本命名为 classify.py保存在本地local目录:

import tensorflow as tf, sys
 
image_path = sys.argv[1]
graph_path = 'output_graph.pb'
labels_path = 'output_labels.txt'
 
# Read in the image_data
image_data = tf.gfile.FastGFile(image_path, 'rb').read()
 
# Loads label file, strips off carriage return
label_lines = [line.rstrip() for line
    in tf.gfile.GFile(labels_path)]
 
# Unpersists graph from file
with tf.gfile.FastGFile(graph_path, 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
    _ = tf.import_graph_def(graph_def, name='')
 
# Feed the image_data as input to the graph and get first prediction
with tf.Session() as sess:
    softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')
    predictions = sess.run(softmax_tensor, 
    {'DecodeJpeg/contents:0': image_data})
    # Sort to show labels of first prediction in order of confidence
    top_k = predictions[0].argsort()[-len(predictions[0]):][::-1]
    for node_id in top_k:
         human_string = label_lines[node_id]
         score = predictions[0][node_id]
         print('%s (score = %.5f)' % (human_string, score))

为了测试你自己的图像,保存在local目录下并命名为test.jpg,运行(在容器内) python classify.py test.jpg。输出结果如下:

sunflowers (score = 0.78311)
daisy (score = 0.20722)
dandelion (score = 0.00605)
tulips (score = 0.00289)
roses (score = 0.00073)

数据说明了一切!模型确定图像中的花朵是向日葵的准确度为78.311%。数值越高表明匹配度越高。请注意,只能有一个匹配类型。多标签分类需要另外一个不同的方法。

更多详细信息,请点击此处查阅classify.py详细解释

分类脚本中的图表加载代码已经被破坏,在这里我用graph_def = tf.GraphDef()作为图表加载代码。

利用零基础知识一些代码,我们了一个相当好的花卉图像分类器,现有的笔记本电脑上每秒大约可以处理5图像。

    希望你能够继续关注本博客的系列博文


以上为译文。

本文由北邮@爱可可-爱生活 老师推荐,阿里云云栖社区组织翻译。

文章原标题《Learn how to classify images with TensorFlow,译者:Mags,审校:袁虎。

文章为简译,更为详细的内容,请查看原文


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章