如何提高Python中图像分类keras模型的准确性？

Question

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

Answer 1

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。