(TF 1.1 & Slim) 4 학습된 모델 사용하기( Caltech ) - 복수 이미지 분류하기(2/2)

*Tensorflow 1.9 버전 튜토리얼
1. 윈도우에 Tensorflow GPU 버전 설치하기
2 딥러닝 slim 라이브러리 설치, 학습, 평가하기
3. 내 이미지로 학습 하기 ( caltech 이미지 사용 )
4. 학습된 모델 사용하기

1. 윈도우에 Tensorflow GPU 버전 설치하기
2.1 딥러닝 slim 라이브러리 설치 및 이미지 셋 다운로드
2.2 딥러닝 모델 학습하기
2.3 딥러닝 모델 평가하기
3. 내 이미지로 학습 하기 ( caltech 이미지 사용 )
4. 학습된 모델 사용하기 - 복수 이미지 분류하기(2/2)

 지난 챕터에서는 datasets 폴더에 caltech256.py 로 정의해 놓은 데이터셋에서 복수의 이미지를 불러와 분류를 해보았습니다. 이 포스팅에서는 데이터셋과 상관없는 복수의 이미지를 이용한 분류를 해 보겠습니다.

아래 코드를 UserImages_Classification_Caltech256.py 이름으로 저장해주세요.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59

from matplotlib import pyplot as plt import numpy as np import os import tensorflow as tf from nets import inception from preprocessing import inception_preprocessing checkpoints_dir = '\\tmp\\train_inception_v1_caltech256_FineTune_logs\\all' slim = tf.contrib.slim image_size = inception.inception_v1.default_image_size with tf.Graph().as_default(): user_images = [] # 복수의 원본 이미지 user_processed_images = [] # 복수의 전처리된 이미지 image_files = os.listdir("./user_images") # 분류하고 싶은 이미지가 저장된 폴더 for i in image_files: image_input = tf.read_file("./user_images" +'/'+ i) image = tf.image.decode_jpeg(image_input, channels=3) user_images.append(image) processed_image = inception_preprocessing.preprocess_image(image, image_size, image_size, is_training=False) user_processed_images.append(processed_image) processed_images = tf.expand_dims(processed_image, 0) with slim.arg_scope(inception.inception_v1_arg_scope()): logits, _ = inception.inception_v1(user_processed_images, num_classes=257, is_training=False) probabilities = tf.nn.softmax(logits) init_fn = slim.assign_from_checkpoint_fn( os.path.join(checkpoints_dir, 'model.ckpt-500'), slim.get_model_variables('InceptionV1')) with tf.Session() as sess: init_fn(sess) np_images, probabilities = sess.run([user_images, probabilities]) names = os.listdir("\\tmp\\caltech256\\caltech256_photos") for files in range(len(image_files)): probabilitie = probabilities[files, 0:] sorted_inds = [i[0] for i in sorted(enumerate(-probabilitie), key=lambda x:x[1])] plt.figure() plt.imshow(np_images[files].astype(np.uint8)) plt.axis('off') plt.show() for p in range(5): index = sorted_inds[p] print('Probability %0.2f%% => [%s]' % (probabilitie[index], names[index]))

기존 한장 이미지 분류에 사용했던 코드(Image_Classification_Caltech256.py)에서 이미지들을 변수 하나에 쌓아서 모델에 넣는 코드를 추가 하였습니다.

구체적으로 18,19 라인에 복수의 이미지를 저장하는 변수가 선언 되어 있고요.
21라인에서 이미지 파일 이름을 불러와
23~28라인에서 이미지 여러장을 변수 하나에 넣었습니다.
34라인에 여러장 쌓인 변수(user_processed_images)를 모델에 그냥 넣으면 되고요
43라인에 원본 이미지도 여러장이 쌓인 변수(user_images)를 넣어주기만 하면 됩니다.

분류된 결과는 43라인의 np_images에는 이미지들이 배열로 저장되고, probabilities에는 해당 이미지의 분류 결과가 역시 배열로 저장되어 있습니다.

48~59라인에서 이미지 파일 갯수(인덱스)에 따라 순차적으로 그 결과를 표시하는 코드 입니다.

위 코드에서는 user_images 라는 폴더안에 분류하고 싶은 이미지들을 복사해두고 아래 명령어를 아나콘다에서 실행 하겠습니다.

python UserImage_Classification_Caltech256.py

결과는 아래와 같습니다.( Jupyter notebook 에서 실행한 결과입니다.)

 처음엔 TF-slim 에서 다 만들어 놓은 코드를 가져다 쓰기만 했는데 이렇게 사용 목적에 맞게 코드를 만들고 수정해 보니 더 재미가 느껴지는거 같습니다.