Vision par ordinateur : modèle convolutif

This commit is contained in:
Philippe Roy 2023-07-03 18:42:14 +02:00
parent ea66fcab02
commit 5540d09541
3 changed files with 106 additions and 49 deletions

View File

@ -75,7 +75,7 @@ X_valid, y_valid = X[:5000]/255.0 , y[:5000]
# Phase d'apprentissage
###############################################################################
n = 50 # Nombre d'itérations (valeur par défaut : 50 , hyperparamètre)
n = 200 # Nombre d'itérations (valeur par défaut : 50 , hyperparamètre)
eta = 0.01 # Taux d'appentissage (valeur par défaut dans Keras : 0.01, hyperparamètre)
lot=32 # Taille de lot (valeur par défaut dans Keras: 32 , hyperparamètre)
@ -83,8 +83,8 @@ perte="sparse_categorical_crossentropy" # Type de perte (hyperparamètre)
#perte="mse" # Type de perte (hyperparamètre)
keras.backend.clear_session()
model = keras.models.Sequential() # Modèle de reseau de neurones
model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche d'entrée : mise à plat des données d'entrée -> 1 node / pixel soit 784 (28x28)
model = keras.models.Sequential() # Modèle de réseau de neurones
model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche de mise à plat des données -> 1 node / pixel soit 784 (28x28)
model.add(keras.layers.Dense(300, activation="relu")) # Couche 1 : 300 nodes
model.add(keras.layers.Dense(100, activation="relu")) # Couche 2 : 100 nodes -> ajout
model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10

View File

@ -38,6 +38,9 @@ from tensorflow import keras
# - model.add : ajout d'une couche
# - keras.layers.Flatten : couche de formatage de mise à plat
# - keras.layers.Dense : couche de neurones
# - keras.layers.Conv2D : couche de convolution 2D (filtre)
# - keras.layers.MaxPool2D : couche d'agrégation des cartes (noyaux de convolution) type Pooling max
# - keras.layers.Dropout : couche de régularisation type Dropout
# - keras.backend.clear_session() : reset de la session
# - model.compile : compilation du modèle
# - model.fit : entrainement du modèle
@ -49,57 +52,71 @@ from tensorflow import keras
# Initialisation
###############################################################################
# Init de Tensorflow + Keras
# tf.__version__
# keras.__version__
# tf.config.list_physical_devices('GPU')
# Init du temps
t_debut = time.time()
# Init des plots
fig = plt.figure(layout="constrained", figsize=(15, 5))
fig.suptitle("Réseaux de neurones avec Keras - Classificateur d'images")
fig.suptitle("Vision par ordinateur - Reconnaissance de digit par réseaux de neurones convolutifs")
subfigs = fig.subfigures(1, 3)
model_ax = subfigs[0].subplots(1, 1)
apts_ax = subfigs[1].subplots(1, 1)
img_ax = subfigs[2].subplots(4, 8)
img_ax = subfigs[2].subplots(10, 15)
###############################################################################
# Observations
###############################################################################
# Observations d'apprentissage, de validation et de test
vetement = keras.datasets.fashion_mnist # Jeu de données Fashion MNIST
(X, y), (X_test, y_test) = vetement.load_data()
mnist = keras.datasets.mnist # Jeu de données MNIST (digit)
(X, y), (X_test, y_test) = mnist.load_data()
X_train, y_train = X[5000:]/255.0 , y[5000:]
X_valid, y_valid = X[:5000]/255.0 , y[:5000]
classes = ["Tshirt", "Pantalon", "Pull", "Robe", "Manteau", "Sandale", "Chemise", "Basket", "Sac", "Bottine"]
X_train = X_train[..., np.newaxis] # Ajout du canal nuance de gris
X_valid = X_valid[..., np.newaxis] # Ajout du canal nuance de gris
X_test = X_test[..., np.newaxis] # Ajout du canal nuance de gris
###############################################################################
# Phase d'apprentissage
###############################################################################
n = 30 # Nombre d'itérations (valeur par défaut : 30 , hyperparamètre)
n = 10 # Nombre d'itérations (valeur par défaut : 10 , hyperparamètre)
eta = 0.01 # Taux d'appentissage (valeur par défaut dans Keras : 0.01, hyperparamètre)
lot=32 # Taille de lot (valeur par défaut dans Keras: 32 , hyperparamètre)
perte="sparse_categorical_crossentropy" # Type de perte (hyperparamètre)
#perte="mse" # Type de perte (hyperparamètre)
keras.backend.clear_session()
# np.random.seed(42)
# tf.random.set_seed(42)
model = keras.models.Sequential() # Modèle de reseau de neurones
model.add(keras.layers.Flatten(input_shape=[28, 28])) # Couche d'entrée : mise à plat des données d'entrée -> 1 node / pixel soit 784 (28x28)
model.add(keras.layers.Dense(300, activation="relu")) # Couche 1 : 300 nodes
# model.add(keras.layers.Dense(300, activation="relu")) # Couche 2 : 300 nodes -> passage de 100 à 300
# model.add(keras.layers.Dense(300, activation="relu")) # Couche 3 : 300 nodes -> ajout
model.add(keras.layers.Dense(100, activation="relu")) # Couche 4 : 100 nodes -> ajout
# Version 2
model.add(keras.layers.Conv2D(64, kernel_size=7, padding="same", input_shape=[28,28,1], activation="relu")) # Couche de convolution avec 64 cartes
model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
model.add(keras.layers.Conv2D(128, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 128 cartes
model.add(keras.layers.Conv2D(128, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 128 cartes
model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
model.add(keras.layers.Conv2D(256, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 256 cartes
model.add(keras.layers.Conv2D(256, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 256 cartes
model.add(keras.layers.MaxPool2D(2)) # Couche d'agrégation des cartes type Pooling max
model.add(keras.layers.Flatten()) # Couche de mise à plat des données
model.add(keras.layers.Dense(128, activation="relu")) # Couche dense : 128 nodes
model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout
model.add(keras.layers.Dense(64, activation="relu")) # Couche dense : 64 nodes
model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout
model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
# model.compile(loss="sparse_categorical_crossentropy", optimizer="sgd", metrics=["accuracy"])
# Version 1
# model.add(keras.layers.Conv2D(32, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 32 cartes
# model.add(keras.layers.Conv2D(64, kernel_size=3, padding="same", activation="relu")) # Couche de convolution avec 64 cartes
# model.add(keras.layers.MaxPool2D()) # Couche d'agrégation des cartes type Pooling max
# model.add(keras.layers.Flatten()) # Couche de mise à plat des données
# model.add(keras.layers.Dropout(0.25)) # Couche de régularisation type dropout
# model.add(keras.layers.Dense(128, activation="relu")) # Couche dense : 128 nodes
# model.add(keras.layers.Dropout(0.5)) # Couche de régularisation type dropout
# model.add(keras.layers.Dense(10, activation="softmax")) # Couche de sortie : 1 node par classe soit 10
optimiseur=keras.optimizers.SGD(learning_rate= eta)
model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilation du modèle
@ -109,25 +126,61 @@ apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_
# Phase d'inférence
###############################################################################
# FIXME : prendre 8 images aléatoirement
# X_new=[]
# y_new=[]
# for i in range(8):
# idx = np.random.randint(X_test.shape[0]) # Index aléatoire
# X_new.append(X_test[idx:idx+1]/255.0)
# y_new.append(y_test[idx:idx+1])
idx = np.random.randint(X_test.shape[0]-32) # Index aléatoire
print ("\n")
print ("Test sur les images de "+ str(idx) + " à "+ str(idx+32) + " sur un jeu de 10 000 images.")
X_new = X_test[idx:idx+32]
y_new = np.argmax(model.predict(X_new), axis=-1)
y_new_test= y_test[idx:idx+32]
# Inférence sur la totalité du jeu de test
print ("\n")
print ("Test sur le jeu de test (10 000 images).")
X_new = X_test
y_new = np.argmax(model.predict(X_new), axis=-1) # Prédictions
y_new_target= y_test # Cibles
eval=model.evaluate(X_new, y_new_target)
# print ("Il y a "+str(int(np.round((1-eval[1])*X_new.shape[0]))) + " images non reconnues.\n")
###############################################################################
# Résultats
###############################################################################
# Division du jeu de test par classes
print ("\n")
print ("Test sur les jeux divisés par classe.")
_X_new_classes_lst=[]
_y_new_target_classes_lst=[]
for i in range (10): # Classe
_X_new_classe=[]
_y_new_target_classe=[]
for j in range (X_new.shape[0]): # Lecture de toutes les images
if y_new_target[j] == i:
_X_new_classe.append(X_new[j])
_y_new_target_classe.append(y_new[j])
_X_new_classes_lst.append(_X_new_classe)
_y_new_target_classes_lst.append(_y_new_target_classe)
# Remplissage du tableau à partir de la liste
X_new_classes=[]
y_new_target_classes=[]
for i in range (10):
X_new_classes.append(np.empty(shape=(len(_X_new_classes_lst[i]),28,28,1)))
y_new_target_classes.append(np.empty(shape=(len(_y_new_target_classes_lst[i]),)))
for j in range (len(_X_new_classes_lst[i])):
X_new_classes[i][[j]]=_X_new_classes_lst[i][j]
y_new_target_classes[i][[j]]=_y_new_target_classes_lst[i][j]
# Inférence sur les jeux par classe
y_new_classes=[]
for i in range (10):
y_new_classes.append(np.argmax(model.predict(X_new_classes[i]), axis=-1)) # Prédictions
somme=0
print ("\n")
for i in range (10):
k=0
for j in range (X_new_classes[i].shape[0]):
if y_new_classes[i][j] != i:
k +=1
somme +=1
print ("Dans la classe "+str(i)+", il y a "+str(k) + " images non reconnues sur "+ str(X_new_classes[i].shape[0])+".")
print ("\n")
print ("Au total, il y a "+str(somme) + " images non reconnues sur 10 000.")
print ("Soit une précision de "+str(1-(somme/10000))+".")
# ###############################################################################
# # Résultats
# ###############################################################################
# Modèle
model_ax.set_title("Modèle")
@ -148,16 +201,20 @@ apts_ax.set_xlabel("Époque")
apts_ax.legend()
# Prédictions
for i in range (8):
for j in range (4):
img_ax[j][i].imshow(X_new[i*2+j], cmap="binary", interpolation="nearest")
img_ax[j][i].set_axis_off()
if y_new[i*2+j] == y_new_test[i*2+j]:
img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10)
else:
img_ax[j][i].set_title(classes[y_new[i*2+j]], fontsize=10, color="red")
for ligne in range (10): # Ligne
i_first=-1
for colonne in range (15): # Colonne
for i in range (i_first+1, X_new.shape[0]):
img_ax[ligne][colonne].set_axis_off()
if y_new_target[i] == ligne and y_new[i]!=y_new_target[i]:
# if y_test[i] == 2:
img_ax[ligne][colonne].imshow(X_new[i], cmap="binary", interpolation="nearest")
img_ax[ligne][colonne].set_title(str(y_new[i]), fontsize=10, color="red")
i_first=i
break
plt.show()
# Performances
print ("\n")
print ("Temps total : "+str(time.time()-t_debut))

Binary file not shown.

After

Width:  |  Height:  |  Size: 356 KiB