机器学习:【13】卫星图像识别实践

#此代码基于tensorflow2.0
import tensorflow as tf

import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import pathlib #路径管理工具,查一下用法

data_dir = '2_class'

data_root = pathlib.Path(data_dir) #构建路径对象

for item in data_root.iterdir(): #对目录进行迭代
    print(item)

all_image_path = list(data_root.glob('*/*')) #提取所有的路径中的所有文件

all_image_path = [str(path) for path in all_image_path] #得到全部图片的路径

import random #用来乱序
random.shuffle(all_image_path) 

image_count = len(all_image_path) #记录图片数量
image_count

label_names = sorted(item.name for item in data_root.glob('*/')) #提取所有的目录,根据首字母排序
label_names 

label_to_index = dict((name, index) for index, name in enumerate(label_names))
#这样就对数据完成了编码字典构建

pathlib.Path('dataset\\2_class\\lake\\lake_060.jpg').parent.name
all_image_label = [label_to_index[pathlib.Path(p).parent.name] for p in all_image_path]
#完成对数据的全部编码

import IPython.display as display #这个方法用来显示图片

index_to_label = dict((v,k) for k,v in label_to_index.items())

for n in range(3) #随机显示三个图片,后续好好看看这部分代码
    image_index = random.choice(range(len(all_image_image_path))) 
    display.display(display.Image(all_image_path[image_index]))
    print(index_to_label[all_image_label[image_index]])
    print()
#----------------------------------------------------------------------------------
#图片的读取和解码!!!
img_path = all_image_path[0]
img_raw = tf.io.read_file(img_path) #读取为二进制文件,tf.tesnor类型
img_tensor = tf.image.decode_image(img_raw) #解码图片
img_tensor.shape #查看数据形状
img_tensor.dtype #查看数据类型

#----------------------------------------------------------------------------------
#图像的标准化直接除以255比较方便
img_tensor = tf.cast(img_tensor, tf.float32) #转换数据类型
img_tensor = img_tensor/255

img_tensor.numpy().max()
img_tensor.numpy().min() #先转换为numpy格式,再进行查询

#----------------------------------------------------------------------------------
#定义预处理函数
def load_and_preprocess_image(img_path):
    img_raw = tf.io.read_file(img_path)
    
    #img_tensor = tf.image.decode_image(img_raw) #通用解析方法,但是不返回格式,
    
    img_tensor = tf.image.decode_jpeg(img_raw) #特定解析方法,返回格式
    img_tensor = tf.image.resize(img_tensor,[256, 256])
    img_tensor = tf.cast(img_tensor. tf.float32)
    img_tensor = img_tensor/255
    return img_tensor
#----------------------------------------------------------------------------------
image_path = all_image_path[100]
plt.imshow(load_and_preprocess_image(image_path)) #绘制图像

path_ds = tf.data.Dataset.from_tensor_slices(all_image_path) #建立dataset
image_dataset = path_ds.map(load_and_preprocess_image) #处理路径 【map查一下~~~】
#这个image_dataset的形状是unknown为啥呢?
label_dataset = tf.data.Dataset.from_tensor_slices(all_image_label)

for label in label_dataset.take(10):
    print(label.numpy())

#合并数据
dataset = tf.data.Dataset.zip((image_dataset,label_dataset))

test_count = int(image_count*0.2)
train_count = image_count - test_count

#获得数据集
train_dataset = dataset.skip(test_count) #跳过多少数据
test_dataset = dataset.take(test_count)

BATCH_SIZE = 32

train_dataset = train_dataset.shuffle(buffer_size = train_count).batch(BATCH_SIZE)
#在train_size范围内shuffle
#不写repeat的时候,表示无限制的重复

test_dataset = test_dataset.batch(BATCH_SIZE)

#----------------------------------------------------------------------------------
#构造模型
#复制代码
model = tf.keras.Sequential()   #顺序模型
model.add(tf.keras.layers.Conv2D(64, (3, 3), input_shape=(256, 256, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))

model.add(tf.keras.layers.Conv2D(64, (3, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
          
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(128, (3, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
          
model.add(tf.keras.layers.Conv2D(128, (3, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
          
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(256, (3, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
          
model.add(tf.keras.layers.Conv2D(256, (3, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
        
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(512, (3, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
          
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(512, (3, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
          
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(1024, (3, 3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
         
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(1024))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))
          
model.add(tf.keras.layers.Dense(256))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation('relu'))

model.add(tf.keras.layers.Dense(1, activation='sigmoid'))

#编译模型
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['acc']
)

#计算每个batch的步长
steps_per_epoch = train_count//BATCH_SIZE
validation_steps = test_count//BATCH_SIZE

#训练模型
history = model.fit(train_dataset, epochs=35, steps_per_epoch=steps_per_epoch, validation_data=test_dataset, validation_steps=validation_steps)

#查看结果
history.history.keys()

plt.plot(history.epoch, history.history.get('acc'), label='acc')
plt.plot(history.epoch, history.history.get('val_acc'), label='val_acc')
plt.legend()

plt.plot(history.epoch, history.history.get('loss'), label='loss')
plt.plot(history.epoch, history.history.get('val_loss'), label='val_loss')
plt.legend()




  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Alex-YiWang

不要打赏,想要一个赞

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值