Question

我正在尝试使用经过训练的模型来预测新图像。我的准确率是95％。但是无论我输入什么内容，predict_classes始终返回第一个标签[0]。我想原因之一是我在featurewise_center=True中使用了samplewise_center=True和ImageDataGenerator。我想我应该在输入图像上做同样的事情。但是我找不到这些功能对图像做了什么。

任何建议将不胜感激。

ImageDataGenerator代码：

train_datagen = ImageDataGenerator(
samplewise_center=True,
rescale=1. / 255,
shear_range=30,
zoom_range=30,
rotation_range=20,
width_shift_range=0.2,
height_shift_range=0.2)

test_datagen = ImageDataGenerator(
samplewise_center=True,
rescale=1. / 255,
shear_range=30,
zoom_range=30,
rotation_range=20,
width_shift_range=0.2,
height_shift_range=0.2,
horizontal_flip=True)

预测代码（我使用100 * 100 * 3图片训练模型）：

model = load_model('CNN_model.h5')
img = cv2.imread('train/defect/6.png')
img = cv2.resize(img,(100,100))
img = np.reshape(img,[1,100,100,3])
img = img/255.

classes = model.predict_classes(img)

print (classes)

更新11/14：

我更改代码以预测如下所示的图像。但是，即使我提供了用于训练模型的图像（并获得了95％的准确度），该模型仍然可以预测相同的类。我有什么想念的吗？

model = load_model('CNN_model.h5')
img = cv2.imread('train/defect/6.png')
img = cv2.resize(img,(100,100))
img = np.reshape(img,[1,100,100,3])
img = np.array(img, dtype=np.float64) 
img = train_datagen.standardize(img)

classes = model.predict_classes(img)
print(classes)

Answer 1

您需要使用standardize()实例的ImageDataGenerator方法。来自Keras documentation：

标准化
standardize(x)
将规范化配置应用于一批输入。

参数


x：要标准化的输入批次。


返回

输入已标准化。

所以会是这样：

img = cv2.imread('train/defect/6.png')
img = cv2.resize(img,(100,100))
img = np.reshape(img,[1,100,100,3])
img = train_datagen.standardize(img)

classes = model.predict_classes(img)

请注意，它也将应用重新缩放，因此无需您自己执行（即，删除img = img/255.）。

此外，请记住，由于设置了featurewise_ceneter=True，因此在使用它进行训练之前，需要使用fit()生成器方法：

train_datagen.fit(training_data)

# then use fit_generator method
model.fit_generator(train_datagen, ...)

Answer 2

不是完整的答案，而是一些信息：

来自keras文档中引用的this link：

# 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='binary')

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

我认为您应该以这种方式进行培训。然后进行测试，我认为使用train_datagen.standardize是正确的。

Answer 3

我认为这是您使用cv2导入图像的问题，因为当您使用cv2.imread时，通道不是“ r，g，b”而是“ b，g，r”

例如，

import cv2
from tensorflow.keras.preprocessing import image

bgr = cv2.imread('r.jpg')
rgb = np.array(image.load_img('r.jpg'))
print(bgr[1,1,:],rgb[1,1,:])

结果：

[ 83 113   0] [  0 114  83]

使用keras ImageDataGenerator时，如何在测试阶段对图像应用归一化？

3 个答案:

标准化