Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-2024-08-06· OpenAIAi2 WildChat-4.8M (AI2)

У меня есть следующий скрипт, как я могу обрабатывать не датафрейм картинок, а одну…

  1. User

    У меня есть следующий скрипт, как я могу обрабатывать не датафрейм картинок, а одну картинку? (Надо ли делать датафрейм из одной картинки или можно проще?)

    import tensorflow as tf from tensorflow.keras.optimizers import Adamax from tensorflow.keras.preprocessing.image import ImageDataGenerator import numpy as np import pandas as pd import os from tensorflow.keras.models import load_model

    """ Python: Версия 3.10 """

    Функция для настройки GPU, если он доступен

    def setup_gpu():

    gpus = tf.config.list_physical_devices('GPU')
    if gpus:
        try:
            for gpu in gpus:
                tf.config.experimental.set_memory_growth(gpu, True)
            logical_gpus = tf.config.list_logical_devices('GPU')
            print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPUs")
        except RuntimeError as e:
            print(e)
    

    def load_data_frame(sdir):

    flist = os.listdir(sdir)
    # Создает списки путей к файлам и меток
    filepaths = [os.path.join(sdir, f).replace('\\', '/') for f in flist]
    labels = ["UNK"] * len(flist)  # Заполняем все метки как "UNK"
    return pd.DataFrame({'image': filepaths, 'dx': labels})
    

    Функция для компиляции моделей

    def compile_model(model_path, learning_rate=0.001):

    model = load_model(model_path)
    # Компилируем модель с оптимизатором Adamax и функцией потерь 'categorical_crossentropy'
    model.compile(optimizer=Adamax(learning_rate=learning_rate),
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model
    

    Функция получения меток из DataFrame для списка изображений

    def get_labels(df, images):

    return [df[df['image'] == x]['dx'].iloc[0] if not df[df['image'] == x]['dx'].empty else 'UNK'
            for x in images]
    

    Функция для формирования массива предсказаний на основе сумм вероятностей каждой модели

    def ensemble_predictions(predictions_list, labels):

    pr_sum = []
    for preds in zip(*predictions_list):
        # Суммируем вероятности всех моделей и определяем класс с максимальной суммой
        sum_preds = sum(preds)
        pr_sum.append(np.argmax(sum_preds))
    return [labels[i] for i in pr_sum]
    

    def main():

    tf.get_logger().setLevel('ERROR')
    setup_gpu()
    
    # Параметры изображения
    img_size = (224, 224)
    labels = ['AK', 'BCC', 'BKL', 'DF', 'MEL', 'NV', 'SCC', 'VASC']
    
    # Загружаем данные
    df = pd.read_csv('./25k_df.csv')
    predict_dir = './predict'
    df_predict = load_data_frame(predict_dir)
    
    # Создаем генератор изображений
    tvgen = ImageDataGenerator(preprocessing_function=lambda x: x)
    predict_gen = tvgen.flow_from_dataframe(df_predict,
                                            directory=None,
                                            x_col="image",
                                            y_col="dx",
                                            target_size=img_size,
                                            class_mode='categorical',
                                            color_mode='rgb',
                                            shuffle=False,
                                            batch_size=50)
    
    # Загружаем и компилируем модели
    print('\nЗагрузка и компиляция моделей')
    model_paths = ["./Models/model-88.70.h5", "./Models/model-88.80.h5", "./Models/model-89.20.h5"]
    models = [compile_model(path) for path in model_paths]
    
    # Получаем предсказания от каждой модели
    print('\nПрогнозирование')
    predictions = [model.predict(predict_gen) for model in models]
    
    # Обрабатываем результаты
    df_predict['image'] = df_predict['image'].apply(os.path.basename)
    images = df_predict['image'].to_list()
    individual_results = [[labels[np.argmax(x)] for x in preds] for preds in predictions]
    DXs = get_labels(df, images)
    ensemble_results = ensemble_predictions(predictions, labels)
    
    # Создаем DataFrame с результатами предсказаний каждой модели, ансамбля и правильными метками
    predict_table = pd.DataFrame({'Изображение': images,
                                  'Model 1': individual_results[0],
                                  'Model 2': individual_results[1],
                                  'Model 3': individual_results[2],
                                  'Ансамбль': ensemble_results,
                                  'Правильная метка': DXs})
    
    print("\n", predict_table)
    

    if name == "main": main()

  2. Assistant

    Если вы хотите обрабатывать одну картинку, вам не нужно создавать DataFrame для этого изображения. Вместо этого вы можете просто загрузить и предобработать изображение напрямую, а затем передать его в модель для предсказания. Вот упрощенный пример того, как вы можете это сделать:

    1. Загрузите изображение с помощью tf.keras.preprocessing.image.load_img.
    2. Преобразуйте изображение в массив с помощью tf.keras.preprocessing.image.img_to_array.
    3. Измените размер изображения, если это необходимо, с помощью tf.image.resize.
    4. Нормализуйте изображение, если модель ожидает нормализованные данные.
    5. Добавьте дополнительное измерение в начало массива, чтобы он выглядел как батч размером 1 (обычно это необходимо для обработки в модели).
    6. Используйте метод model.predict, чтобы получить предсказание.

    Вот пример, как это сделать:

    import tensorflow as tf
    import numpy as np
    from tensorflow.keras.models import load_model
    from tensorflow.keras.preprocessing.image import load_img, img_to_array
    
    def predict_single_image(model_path, image_path, img_size=(224, 224), labels=None):
        # Загрузите модель
        model = load_model(model_path)
    
        # Загрузите изображение
        image = load_img(image_path, target_size=img_size)
        image = img_to_array(image)
    
        # Нормализация изображения, если это необходимо
        # Например, если модель была обучена с нормализованными изображениями
        # image = image / 255.0
    
        # Добавьте дополнительное измерение для батча
        image = np.expand_dims(image, axis=0)
    
        # Сделайте предсказание
        prediction = model.predict(image)
    
        # Найдите метку с наибольшей вероятностью
        predicted_label = labels[np.argmax(prediction)] if labels else np.argmax(prediction)
        print(f"Предсказанная метка: {predicted_label}")
    
    # Пример использования
    model_path = "./Models/model-88.70.h5"
    image_path = "./predict/your_image.jpg"
    labels = ['AK', 'BCC', 'BKL', 'DF', 'MEL', 'NV', 'SCC', 'VASC']
    predict_single_image(model_path, image_path, labels=labels)
    

    Таким образом, вы можете обрабатывать изображение непосредственно без необходимости обходных путей с использованием DataFrame. Убедитесь, что методы предобработки соответствуют тем, что были использованы при обучении вашей модели (например, нормализация, размер целей и т.д.).

  3. User

    А как мне добавить эту функциональность к моему скрипту?

  4. Assistant

    Чтобы интегрировать функцию обработки одиночного изображения в ваш существующий скрипт, можно создать новую функцию, которая будет использоваться наряду с функцией для обработки батчей изображений. Вы можете добавить следующую функцию в свой скрипт:

    def predict_single_image(model, image_path, img_size=(224, 224), labels=None):
        from tensorflow.keras.preprocessing.image import load_img, img_to_array
    
        # Загрузите изображение
        image = load_img(image_path, target_size=img_size)
        image = img_to_array(image)
    
        # Нормализация изображения, если это необходимо
        # Например: image = image / 255.0
    
        # Добавьте дополнительное измерение для батча
        image = np.expand_dims(image, axis=0)
    
        # Сделайте предсказание
        prediction = model.predict(image)
    
        # Найдите метку с наибольшей вероятностью
        predicted_label = labels[np.argmax(prediction)] if labels else np.argmax(prediction)
        print(f"Предсказанная метка для {image_path}: {predicted_label}")
    
        return predicted_label
    

    Затем вы можете использовать эту функцию в своем main:

    def main():
        tf.get_logger().setLevel('ERROR')
        setup_gpu()
    
        # Параметры изображения
        img_size = (224, 224)
        labels = ['AK', 'BCC', 'BKL', 'DF', 'MEL', 'NV', 'SCC', 'VASC']
    
        # Начало основной логики вашего скрипта
        # ...
    
        # Пример использования для одиночного изображения
        single_image_path = "./predict/single_image.jpg"
        model_path = "./Models/model-88.70.h5"
        
        # Проверка для одиночного изображения
        model = compile_model(model_path)  # Загружаем и компилируем модель
        single_prediction_label = predict_single_image(model, single_image_path, img_size=img_size, labels=labels)
    
        # Логика для обработки набора изображений остается прежней
        predict_dir = './predict'
        df_predict = load_data_frame(predict_dir)
    
        # Создаем генератор изображений
        tvgen = ImageDataGenerator(preprocessing_function=lambda x: x)
        predict_gen = tvgen.flow_from_dataframe(df_predict,
                                                directory=None,
                                                x_col="image",
                                                y_col="dx",
                                                target_size=img_size,
                                                class_mode='categorical',
                                                color_mode='rgb',
                                                shuffle=False,
                                                batch_size=50)
    
        # Загружаем и компилируем модели
        print('\nЗагрузка и компиляция моделей')
        model_paths = ["./Models/model-88.70.h5", "./Models/model-88.80.h5", "./Models/model-89.20.h5"]
        models = [compile_model(path) for path in model_paths]
    
        # Получаем предсказания от каждой модели
        print('\nПрогнозирование на множество изображений')
        predictions = [model.predict(predict_gen) for model in models]
    
        # Обрабатываем результаты
        df_predict['image'] = df_predict['image'].apply(os.path.basename)
        images = df_predict['image'].to_list()
        individual_results = [[labels[np.argmax(x)] for x in preds] for preds in predictions]
        DXs = get_labels(df, images)
        ensemble_results = ensemble_predictions(predictions, labels)
    
        # Создаем DataFrame с результатами предсказаний каждой модели, ансамбля и правильными метками
        predict_table = pd.DataFrame({'Изображение': images,
                                      'Model 1': individual_results[0],
                                      'Model 2': individual_results[1],
                                      'Model 3': individual_results[2],
                                      'Ансамбль': ensemble_results,
                                      'Правильная метка': DXs})
    
        print("\n", predict_table)
    
    
    if __name__ == "__main__":
        main()
    

    Этот подход позволяет вам сохранять существующую функциональность для обработки набора изображений, а также добавлять возможность проверки одного изображения в рамках основного сценария. Вы можете либо оставить функции разделенными, либо объединить их в зависимости от того, как вы планируете использовать ваш скрипт в дальнейшем.