import warnings

# 忽視警告

warnings.filterwarnings('ignore')

import os

import matplotlib

import cv2 as cv

import numpy as np

import matplotlib.pyplot as plt

from tensorflow.keras.callbacks import ModelCheckpoint, ReduceLROnPlateau, EarlyStopping

from tensorflow.keras.applications.imagenet_utils import preprocess_input

from tensorflow.keras import backend as K

from tensorflow.keras.optimizers import Adam

K.image_data_format() == 'channels_last'

from keras_py.utils import get_random_data

from keras_py.face_rec import mask_rec

from keras_py.face_rec import face_rec

from keras_py.mobileNet import MobileNet

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 資料集路徑

basic_path = "./datasets/5f680a696ec9b83bb0037081-momodel/data/"

def letterbox_image(image, size): # 調整圖片尺寸，返回經過調整的照片

new_image = cv.resize(image, size, interpolation=cv.INTER_AREA)

return new_image

read_img = cv.imread("test1.jpg")

print(" 調整前圖片的尺寸 :", read_img.shape)

read_img = letterbox_image(image=read_img, size=(50, 50))

print(" 調整前圖片的尺寸 :", read_img.shape)

def processing_data(data_path, height, width, batch_size=32, test_split=0.1): # 資料處理， batch_size 預設大小為 32

train_data = ImageDataGenerator(

# 對圖片的每個畫素值均乘上這個放縮因子，把畫素值放縮到 0 和 1 之間有利於模型的收斂

rescale=1. / 255,

# 浮點數，剪下強度（逆時針方向的剪下變換角度）

shear_range=0.1,

# 隨機縮放的幅度，若為浮點數，則相當於 [lower,upper] = [1 - zoom_range, 1+zoom_range]

zoom_range=0.1,

# 浮點數，圖片寬度的某個比例，資料提升時圖片水平偏移的幅度

width_shift_range=0.1,

# 浮點數，圖片高度的某個比例，資料提升時圖片豎直偏移的幅度

height_shift_range=0.1,

# 布林值，進行隨機水平翻轉

horizontal_flip=True,

# 布林值，進行隨機豎直翻轉

vertical_flip=True,

# 在 0 和 1 之間浮動。用作驗證集的訓練資料的比例

validation_split=test_split

)

# 接下來生成測試集，可以參考訓練集的寫法

test_data = ImageDataGenerator(

rescale=1. / 255,

validation_split=test_split)

train_generator = train_data.flow_from_directory(

# 提供的路徑下面需要有子目錄

data_path,

# 整數元組 (height, width) ，預設： (256, 256) 。所有的影像將被調整到的尺寸。

target_size=(height, width),

# 一批資料的大小

batch_size=batch_size,

# "categorical", "binary", "sparse", "input" 或 None 之一。

# 預設： "categorical", 返回 one-hot 編碼標籤。

class_mode='categorical',

# 資料子集 ("training" 或 "validation")

subset='training',

seed=0)

test_generator = test_data.flow_from_directory(

data_path,

target_size=(height, width),

batch_size=batch_size,

class_mode='categorical',

subset='validation',

seed=0)

return train_generator, test_generator

# 資料路徑

data_path = basic_path + 'image'

# 影像資料的行數和列數

height, width = 160, 160

# 獲取訓練資料和驗證資料集

train_generator, test_generator = processing_data(data_path, height, width)

# 透過屬性 class_indices 可獲得資料夾名與類的序號的對應字典。

labels = train_generator.class_indices

print(labels)

# 轉換為類的序號與資料夾名對應的字典

labels = 外匯跟單gendan5.comdict((v, k) for k, v in labels.items())

print(labels)

pnet_path = "./datasets/5f680a696ec9b83bb0037081-momodel/data/keras_model_data/pnet.h5"

rnet_path = "./datasets/5f680a696ec9b83bb0037081-momodel/data/keras_model_data/rnet.h5"

>

# 載入 MobileNet 的預訓練模型權重

weights_path = basic_path + 'keras_model_data/mobilenet_1_0_224_tf_no_top.h5'

# 影像資料的行數和列數

height, width = 160, 160

model = MobileNet(input_shape=[height,width,3],classes=2)

model.load_weights(weights_path,by_name=True)

print(' 載入完成 ...')

def save_model(model, checkpoint_save_path, model_dir): # 儲存模型

if os.path.exists(checkpoint_save_path):

print(" 模型載入中 ")

model.load_weights(checkpoint_save_path)

print(" 模型載入完畢 ")

checkpoint_period = ModelCheckpoint(

# 模型儲存路徑

model_dir + 'ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5',

# 檢測的指標

monitor='val_acc',

# ‘ auto ’，‘ min ’，‘ max ’中選擇

mode='max',

# 是否只儲存模型權重

save_weights_only=False,

# 是否只儲存最優的模型

save_best_only=True,

# 檢測的輪數是每隔 2 輪

period=2

)

return checkpoint_period

checkpoint_save_path = "./results/last_one88.h5"

model_dir = "./results/"

checkpoint_period = save_model(model, checkpoint_save_path, model_dir)

# 學習率下降的方式， acc 三次不下降就下降學習率繼續訓練

reduce_lr = ReduceLROnPlateau(

monitor='accuracy', # 檢測的指標

factor=0.5, # 當 acc 不下降時將學習率下調的比例

patience=3, # 檢測輪數是每隔三輪

verbose=2 # 資訊展示模式

)

early_stopping = EarlyStopping(

monitor='val_accuracy', # 檢測的指標

min_delta=0.0001, # 增大或減小的閾值

patience=3, # 檢測的輪數頻率

verbose=1 # 資訊展示的模式

)

# 一次的訓練集大小

batch_size = 64

# 圖片資料路徑

data_path = basic_path + 'image'

# 圖片處理

train_generator, test_generator = processing_data(data_path, height=160, width=160, batch_size=batch_size, test_split=0.1)

# 編譯模型

model.compile(loss='binary_crossentropy', # 二分類損失函式

optimizer=Adam(lr=0.001), # 最佳化器

metrics=['accuracy']) # 最佳化目標

# 訓練模型

history = model.fit(train_generator,

epochs=20, # epochs: 整數，資料的迭代總輪數。

# 一個 epoch 包含的步數 , 通常應該等於你的資料集的樣本數量除以批次大小。

steps_per_epoch=637 // batch_size,

validation_data=test_generator,

validation_steps=70 // batch_size,

initial_epoch=0, # 整數。開始訓練的輪次（有助於恢復之前的訓練）。

callbacks=[checkpoint_period, reduce_lr])

# 儲存模型

model.save_weights(model_dir + 'temp.h5')

plt.plot(history.history['loss'],label = 'train_loss')

plt.plot(history.history['val_loss'],'r',label = 'val_loss')

plt.legend()

plt.show()

plt.plot(history.history['accuracy'],label = 'acc')

plt.plot(history.history['val_accuracy'],'r',label = 'val_acc')

plt.legend()

plt.show()

基於Python實現的口罩佩戴檢測

相關文章