[英]How can I increase the accuracy of my image classification keras model in Python?
我正在尝试将一组蜜蜂图像分为两类-大黄蜂和蜜蜂,结果格式为CSV文件,例如-
id,bumble_bee,honey_bee
20000,0.75,0.25。
我有一个正在运行的模型,但是准确性很低,我尝试了很多不同的事情,例如添加了诸如VGG16或InceptionV3之类的base_model,调整了历元,调整了优化器类型...而我只是没有注意到差异很大。 我所做的所有更改仍然导致大约70-79%的准确性。
如何提高模型的准确性?
这是我的代码:
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
# dimensions of our images.
img_width, img_height = 200, 200
train_data_dir = 'data/train/'
validation_data_dir = 'data/validation/'
nb_train_samples = 2978
nb_validation_samples = 991
epochs = 50
batch_size = 25
if K.image_data_format() == 'channels_first':
input_shape = (3, img_width, img_height)
else:
input_shape = (img_width, img_height, 3)
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(2))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',
optimizer=optimizers.SGD(lr=1e-4, momentum=0.9),
metrics=['accuracy'])
# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
rescale=1. / 255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
model.fit_generator(
train_generator,
steps_per_epoch=nb_train_samples // batch_size,
epochs=epochs,
validation_data=validation_generator,
validation_steps=nb_validation_samples // batch_size)
model.save_weights('thirdtry.h5')
pred = model.predict(pred_images)
np.savetxt('resultsfrom3no.csv',pred)
这是其输出的示例:
找到2978张属于2类的图像。 找到属于2类的991张图像。
时代1/50 119/119 [==============================-238s 2s / step-损失:0.5570-acc :0.7697-val_loss:0.5275-val_acc:0.7908
时代2/50 119/119 [=============================]-237s 2s / step-损失:0.5337-acc :0.7894-val_loss:0.5270-val_acc:0.7908
时代3/50 119/119 [=============================]-282s 2s / step-损失:0.5299-acc :0.7939-val_loss:0.5215-val_acc:0.7908
使用经过图像网预训练的VGGNet进行特征提取,并使用密集层在其之上构建分类器。 您应将图像尺寸(wxh)设置为原始网络输入。
由于只有两个类,因此最好将二进制类模式用于数据生成器,将二进制交叉熵作为损失函数并将Sigmoid作为最终激活函数。
首先尝试在不进行数据扩充的情况下进行快速测试,然后使用扩充来查看是否有帮助。
在训练分类器网络时,如果acc值被粘住,则分别以较高的学习率(例如0.001)开始,并以较低的学习率(1e-4、1e-5等)进行实验。
同样在您的代码中,降低学习率并使用动量值可能会有所帮助。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.