实战迁移学习 VGG19、ResNet50、InceptionV3 实践猫狗大战问题

最新推荐文章于 2024-07-31 11:07:57 发布

pengdali

最新推荐文章于 2024-07-31 11:07:57 发布

阅读量2.6w

点赞数 16

分类专栏：人工智能文章标签：人工智能图像识别迁移学习 InceptionV3 ResNet50

本文链接：https://blog.csdn.net/pengdali/article/details/79050662

版权

本文详细介绍了使用迁移学习解决猫狗分类问题的过程，包括数据预处理、加载VGG19、ResNet50和InceptionV3模型，并对其进行训练。通过训练，VGG19达到89%的准确率，ResNet50达到96%，InceptionV3也表现出良好的分类效果。

摘要由CSDN通过智能技术生成

一、实践流程

1、数据预处理

主要是对训练数据进行随机偏移、转动等变换图像处理，这样可以尽可能让训练数据多样化

另外处理数据方式采用分批无序读取的形式，避免了数据按目录排序训练

    #数据准备
    def DataGen(self, dir_path, img_row, img_col, batch_size, is_train):
        if is_train:
            datagen = ImageDataGenerator(rescale=1./255,
                zoom_range=0.25, rotation_range=15.,
                channel_shift_range=25., width_shift_range=0.02, height_shift_range=0.02,
                horizontal_flip=True, fill_mode='constant')
        else:
            datagen = ImageDataGenerator(rescale=1./255)

        generator = datagen.flow_from_directory(
            dir_path, target_size=(img_row, img_col),
            batch_size=batch_size,
            shuffle=is_train)

        return generator

2、载入现有模型

这个部分是核心工作，目的是使用ImageNet训练出的权重来做我们的特征提取器，注意这里后面的分类层去掉

base_model = InceptionV3(weights='imagenet', include_top=False, pooling=None,
                           input_shape=(img_rows, img_cols, color),
                           classes=nb_classes)