[딥러닝] 딥러닝을 통한 이미지 분류

안녕하세요!

오늘은 딥러닝을 통한 이미지 분류에 대해 포스팅해보려고 합니다.

 

keras의 cifar10데이터를 로드해와서 이미지 분류를 수행해보았습니다.

 

그럼 시-작~

---

1. 패키지 다운

pip install --upgrade pip
pip install tensorflow
import numpy as np
import os
import tensorflow as tf
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Activation
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.utils import to_categorical

---

2. 데이터 로딩

데이터는 따로 다운받지 않아도

keras 패키지에 내장되어있는 cifar10데이터를 로드해와서 분석해볼 수 있습니다!

np.random.seed(100)
# keras의 cifar10데이터를 로드해옴
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
# 50000개-training 이미지, 10000개-test 이미지

train데이터와 test데이터의 형태를 확인하는 코드를 출력해보면 다음과 같습니다!

X_train : (50000, 32, 32, 3) => 50000개 데이터, 32*32*3=3072bytes의 형태이고 3개의 채널로 구성되어있다는 의미!

# train
# 32*32*3=3072bytes => 3개의 채널
print("X_train :", x_train.shape)
# 비행기/자동차/새/고양이/사슴/개/개구리/말/배/트럭 중 하나
print("y_train :", y_train.shape)

# test
print("X_test :", x_test.shape)
print("y_test :", y_test.shape)

데이터의 형태를 확인해보면

#데이터의 생김새 확인
import matplotlib.pyplot as plt
%matplotlib inline

for i in range(5):
    plt.imshow(x_train[i])
    print(y_train[i], end=", ")
    plt.show()

=> x_train[0] 이미지는 7번 클래스에 속하는 frog

=> x_train[1] 이미지는 10번 클래스에 속하는 truck으로 분류됨

---

3) 데이터 전처리

# 3차원-> 1차원으로 만들고 정규화시킴, y라벨은 -벡터로 변환
x_train=x_train.reshape(50000, 3072)
x_test=x_test.reshape(10000, 3072)

# 정규화!
# 이미지 : 픽셀 정보를 0~255사이로 가지는데 이를 정규화하여 0과 1 사이의 값을 갖게 해줌
x_train=(x_train-np.mean(x_train))/np.std(x_train)
x_test=(x_test-np.mean(x_test))/np.std(x_test)

# 10개의 Y값을 원핫인코딩을 통해서 벡터로 변환
# label을 (one-hot vector로 변환)
labels=10
y_train=to_categorical(y_train, labels)
y_test=to_categorical(y_test, labels)
y_train

print("y_train :", y_train)
print("y_text :", y_test)

---

4) 모델 정의 - 딥러닝 구현

# 이미 그려둔 그래프가 있다면 날려줘
# model에 순차적으로 레이어를 쌓아가겠다는 의도!

model=Sequential()

# 첫번째 레이어를 만들음
model.add(Dense(512, input_shape=(3072,), activation='relu', name='Hidden1'))
# 3072 input variables 
# 512 노드/뉴런
model.add(Dense(120, activation='relu', name='Hidden2'))
model.add(Dense(512, activation='relu', name='Hidden3'))

model.add(Dense(10, activation='sigmoid'))

# compile : 모델을 학습시키기 위한 학습과정을 설계하는 단계
# 1. loss='categorical_crossentropy':손실함수 지정/손실함수를 최소화하는 방향으로 가중치와 역치를 수정/대표함수중 하나인 categorical_crossentropy
# 2. optimizer='ada':훈련과정 설정. 이 함수를 최적화하는 방향으로 학습이 일어나는 대표적인 함수 중 하나인 'adam' 사용
# 3. metrics=['accuracy']:학습과정에서 정확도를 수집, 훈련과정을 모니터링 하는 과정
model.compile(loss = 'categorical_crossentropy',optimizer = 'adam',metrics=['accuracy'])

# model fit
# epochs : 10번 반복한다는 의미
# batch_size : 한번에 몇개씩 학습하는지? => 1024개씩 학습된다고 치면
# 학습데이터%batch_size=한 에포크당 몇번의 반복을 하는지
model.fit(x_train, y_train, batch_size=1024, epochs=10, validation_data=(x_test, y_test), verbose=1)

---

5) 모델 평가

# 모델 평가
# verbose : 얼마나 자세하게 정보를 표시할 것인가?
score=model.evaluate(x_test, y_test, verbose = 1)
print("loss=", score[0], 'test accuracy(정답율): ', score[1]*100)

# 결과 예측
result_predict=model.predict_classes(x_test)
print(result_predict)
# 첫번째 사진부터 5번째 클래스로 예측..두번째 사진은 8번째 클래스로 예측

---

이렇게 오늘은 keras 패키지를 활용해서 이미지를 분류하는 코드를 간단하게 짜봤습니다!

딥러닝이라서 어렵게 느껴지지만 그래도 원리를 이해하면 금방 이해가 되실꺼에요!!