如何在Python中提高图像分类keras模型的准确性?

时间:2018-04-24 20:11:11

标签: python tensorflow machine-learning keras classification

我正在尝试将一组蜜蜂图像分为两类 - 大黄蜂和蜜蜂,其结果格式为CSV文件,如 -

  

ID,bumble_bee,honey_bee

     

20000,0.75,0.25。

我有一个正在运行的模型,但准确性非常低,我尝试了很多不同的东西,比如添加像VGG16或InceptionV3这样的base_model,调整时期,调整优化器类型......和我只是避风港注意到了很大的不同。我的所有更改仍然可以达到70-79%的准确率。

如何提高模型的准确性?

这是我的代码:

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K

# dimensions of our images.
img_width, img_height = 200, 200

train_data_dir = 'data/train/'
validation_data_dir = 'data/validation/'
nb_train_samples = 2978
nb_validation_samples = 991
epochs = 50
batch_size = 25

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(2))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer=optimizers.SGD(lr=1e-4, momentum=0.9),
              metrics=['accuracy'])

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

model.save_weights('thirdtry.h5')

pred = model.predict(pred_images)
np.savetxt('resultsfrom3no.csv',pred)

以下是其输出的示例:

  

找到2978张属于2类的图像。   共找到991张属于2个类的图片。

     

大纪元1/50 119/119 [==============================] -   238s 2s /步 - 损失:0.5570 - acc:0.7697 - val_loss:0.5275 -   val_acc:0.7908

     

Epoch 2/50 119/119 [==============================] -   237s 2s /步 - 损失:0.5337 - acc:0.7894 - val_loss:0.5270 -   val_acc:0.7908

     

Epoch 3/50 119/119 [==============================] -   282s 2s /步 - 损失:0.5299 - acc:0.7939 - val_loss:0.5215 -   val_acc:0.7908

1 个答案:

答案 0 :(得分:0)

使用经过图像网络预训练的VGGNet进行特征提取,并使用Dense图层在其上构建分类器。您应该将图像大小(w x h)设置为原始网络输入。

由于您只有两个类,因此最好将二进制类模式用于数据生成器,将二进制交叉熵用作损失函数,将sigmoid用作最终激活函数。

首先尝试不进行数据扩充以进行快速测试,然后使用扩充来查看它是否有帮助。

在训练分类器网络的同时,从相应较高的学习率(例如0.001)开始,并尝试使用较低的费率(1e-4,1e-5等等),如果acc值得到支持。

同样在您的代码中,降低学习率并使用动量值可能会有所帮助。