Vision par ordinateur : modèle RNA simple

This commit is contained in:
Philippe Roy 2023-07-03 16:52:07 +02:00
parent 795b1f98c2
commit 694d69a5e7
5 changed files with 86 additions and 158 deletions

View File

@ -1,4 +1,3 @@
import time
import numpy as np
import sklearn

View File

@ -55,7 +55,7 @@ t_debut = time.time()
# Init des plots
fig = plt.figure(layout="constrained", figsize=(20, 7))
fig.suptitle(" Vision par ordinateur - Reconnaissance de digit - Analyse et préparation des données")
img_ax = fig.subplots(10, 30)
img_ax = fig.subplots(10, 40)
###############################################################################
# Observations
@ -71,146 +71,26 @@ X_train, y_train = X[5000:]/255.0 , y[5000:]
X_valid, y_valid = X[:5000]/255.0 , y[:5000]
classes = [0,1,2,3,4,5,6,7,8,9]
# ###############################################################################
# # Phase d'apprentissage
# ###############################################################################
# n = 2 # Nombre d'itérations (valeur par défaut : 30 , 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()
# 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(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
# optimiseur=keras.optimizers.SGD(learning_rate= eta)
# model.compile(loss=perte, optimizer=optimiseur, metrics=["accuracy"]) # Compilation du modèle
# apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_valid, y_valid)) # Entrainement
###############################################################################
# Phase d'inférence
# Classement des images avec l'étiquette
###############################################################################
print ("\n")
print ("Test sur les 80 images différentes sur un jeu de 10 000 images.")
print ("Recherche de 400 images sur le jeu de test (10 000 images).")
# X_new_unique = np.unique(X_test, axis=0, return_index=True)
# X_new = np.empty([80, 28, 28])
# y_new_test = np.empty(80)
# for i_new in range(80):
# # print ("i_new ", i_new )
for ligne in range (10): # Ligne
i_first=-1
for colonne in range (40): # Colonne
for i in range (i_first+1, X_test.shape[0]):
if y_test[i] == ligne:
# if y_test[i] == 2:
img_ax[ligne][colonne].imshow(X_test[i], cmap="binary", interpolation="nearest")
img_ax[ligne][colonne].set_axis_off()
img_ax[ligne][colonne].set_title(str(i), fontsize=10)
i_first=i
break
# # Boucle de remplissage
# deja_present=True
# while deja_present == True:
# idx = np.random.randint(X_test.shape[0]) # Index aléatoire
# # print ("idx ", idx )
# X_idx = X_test[idx]
# # Comparaison de chaque images présentes avec image idx
# deja_present_unitaire=[]
# for i_img in range (80):
# # print ("i_img ", i_img )
# deja_present_unitaire.append(True)
# for j in range (28):
# for k in range (28):
# if X_new[i_img][j][k] != X_idx[j][k]:
# deja_present_unitaire[i_img]=False
# # Test sur l'ensemble des images
# deja_present=False
# for i_img in range (80):
# if deja_present_unitaire[i_img]==True:
# deja_present = True
# # Ajout de la nouvelle image idx
# X_new[i_new]=X_test[idx]
# y_new_test[i_new] = y_test[idx]
# print ("ajout ", i_new, idx)
# FIXME : ne marche pas -> à faire à la main
# (X_train, Y_train), (X_test, Y_test) = tf.keras.datasets.mnist.load_data()
# train_filter = np.unique(Y_train, return_index=True)
# X_train, Y_train = X_train[train_filter[1:]], Y_train[train_filter[1:]]
X_new_unique = np.unique(X_test, axis=0, return_index=True)
# X_new = np.empty([80, 28, 28])
# y_new_test = np.empty(80)
# new_unique = random.sample(list(X_new_unique_i), 80)
# for i in range(80):
# X_new[i]=X_test[new_unique[i]]
# y_new_test[i] = y_test[new_unique[i]]
# X_new_idx = np.empty(80)
# for i in range(80):
# # Vérification que l'index aléatoire n'a pas été
# idx_unique= False
# while idx_unique ==False :
# idx_unique= True
# idx = np.random.randint(len(test_filter[1])) # Index aléatoire
# for j in range (80):
# if X_new_idx[j] == idx:
# idx_unique= False
# X_new[i]=X_test[idx]
# y_new_test[i] = y_test[idx]
# y_new = np.argmax(model.predict(X_new), axis=-1)
print ("\n")
# ###############################################################################
# # Résultats
# ###############################################################################
# # Modèle
# model_ax.set_title("Modèle")
# keras.utils.plot_model(model, "model.png", show_shapes=True)
# model_img=plt.imread("model.png")
# model_ax.imshow(model_img)
# model_ax.set_axis_off()
# os.remove("model.png") # Supression du fichier temporaire
# # Courbes d'apprentissage
# apts_ax.set_title("Courbes d'apprentissage")
# apts_ax.plot(apts.epoch, apts.history['loss'], 'b-', label="Perte - entrainement")
# apts_ax.plot(apts.epoch, apts.history['val_loss'], 'r-', label="Perte - validation")
# apts_ax.plot(apts.epoch, apts.history['accuracy'], 'b:', label="Précision - entrainement")
# apts_ax.plot(apts.epoch, apts.history['val_accuracy'], 'r:', label="Précision - validation")
# apts_ax.set(ylim=(0, 1))
# apts_ax.set_xlabel("Époque")
# apts_ax.legend()
# # Prédictions
# for i in range (10):
# for j in range (8):
# 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")
# Prédictions
k=0
for i in range (10): # Ligne
for j in range (30): # Colonne
img_ax[i][j].imshow(X_test[k], cmap="binary", interpolation="nearest")
img_ax[i][j].set_axis_off()
img_ax[i][j].set_title(str(k)+" : "+str(y_test[k]), fontsize=10)
k+=1
plt.show()
# Performances
print ("Temps total : "+str(time.time()-t_debut))

View File

@ -58,7 +58,7 @@ fig.suptitle("Vision par ordinateur - Reconnaissance de digit par réseaux de ne
subfigs = fig.subfigures(1, 3)
model_ax = subfigs[0].subplots(1, 1)
apts_ax = subfigs[1].subplots(1, 1)
img_ax = subfigs[2].subplots(8, 10)
img_ax = subfigs[2].subplots(10, 15)
###############################################################################
# Observations
@ -66,8 +66,8 @@ img_ax = subfigs[2].subplots(8, 10)
# Observations d'apprentissage, de validation et de test
chiffre = keras.datasets.mnist # Jeu de données MNIST (digit)
(X, y), (X_test, y_test) = chiffre.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]
@ -98,16 +98,57 @@ apts = model.fit(X_train, y_train, epochs=n, batch_size=lot, validation_data=(X_
# Phase d'inférence
###############################################################################
# Inférence sur la totalité du jeu de test
print ("\n")
print ("Test sur les 80 images différentes sur un jeu de 10 000 images.")
idx = np.random.randint(X_test.shape[0]-80) # Index aléatoire
print ("\n")
print ("Test sur les images de "+ str(idx) + " à "+ str(idx+80) + " sur un jeu de 10 000 images.")
X_new = X_test[idx:idx+80]
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_test= y_test[idx:idx+80] # Cibles
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")
# 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)))
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
@ -132,16 +173,20 @@ apts_ax.set_xlabel("Époque")
apts_ax.legend()
# Prédictions
for i in range (10):
for j in range (8):
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(y_new[i*2+j], fontsize=10)
else:
img_ax[j][i].set_title(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))

View File

@ -1,9 +1,13 @@
# Mes scripts de ML - Vision par ordinateur
### Reconnaissance de digits par réseaux de neurones simples (RNA)
### Reconnaissance de digits - Analyse et préparation des données
![capture d'écran](img/01-digit_simple.png)
![capture d'écran](img/01-digit-prepa_data.png)
### Reconnaissance de digits par réseaux de neurones convolutifs (CNN)
### Reconnaissance de digits - Réseaux de neurones simples (RNA)
![capture d'écran](img/02-digit_cnn.png)
![capture d'écran](img/02-digit_simple.png)
### Reconnaissance de digits - Réseaux de neurones convolutifs (CNN)
![capture d'écran](img/03-digit_cnn.png)

Binary file not shown.

After

Width:  |  Height:  |  Size: 452 KiB