Напиши программу подготовки датасета из папки "DataSet" для нейросети классификации 150…
- User
Напиши программу подготовки датасета из папки "DataSet" для нейросети классификации 150 видов растений по цветным картинкам с разрешением 300 на 300
- Assistant
Для подготовки датасета для нейросети классификации растений, вам нужно выполнить следующие шаги:
- Импортировать необходимые модули
- Создать список меток классов (растений)
- Загрузить изображения и метки классов из папки "DataSet"
- Предобработать данные (изменить размер, нормализовать)
- Разделить на обучающий и тестовый наборы
- Сохранить подготовленный датасет
Основной код на Python для выполнения этих задач:
# Шаг 1: Импортировать модули import os import cv2 import numpy as np from sklearn.model_selection import train_test_split # Шаг 2: Создать список меток классов classes = os.listdir('./DataSet') # Возвращает список папок в "DataSet" # Шаг 3: Загрузить изображения и метки классов images = [] labels = [] for class_idx, class_name in enumerate(classes): class_dir = os.path.join('./DataSet', class_name) for image_name in os.listdir(class_dir): image_path = os.path.join(class_dir, image_name) img = cv2.imread(image_path) if img is not None: images.append(img) labels.append(class_idx) # Шаг 4: Предобработать данные IMAGE_SIZE = 300 # Размерность изображений # Изменить размер изображений resized_images = [cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE)) for img in images] # Нормализовать данные normalized_images = [img/255.0 for img in resized_images] # Преобразовать списки в numpy массивы X = np.array(normalized_images) y = np.array(labels) # Шаг 5: Разделить на обучающий и тестовый наборы X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Шаг 6: Сохранить подготовленный датасет np.save('X_train.npy', X_train) np.save('y_train.npy', y_train) np.save('X_test.npy', X_test) np.save('y_test.npy', y_test)Этот код прочитает папку "DataSet", загрузит изображения, изменит их размер до 300x300, нормализует и разделит на обучающий и тестовый наборы. Если вам нужно провести дополнительную предобработку, вы можете добавлять новые методы на этапе предобработки данных. После выполнения этого кода будут созданы файлы X_train.npy, y_train.npy, X_test.npy и y_test.npy, которые содержат подготовленные данные для тренировки и тестирования нейронной сети.
- User
Напиши сверточную нейросеть для классификации 150 растений на цветных картинках с разрешением 300 на 300 пикселей
- Assistant
Для создания свёрточной нейросети (CNN) для классификации 150 растений на основе цветных изображений 300x300 пикселей, вы можете использовать Keras в TensorFlow 2.x или любую другую библиотеку глубокого обучения. В качестве примера создадим CNN с использованием Keras:
import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dropout, Flatten, Dense num_classes = 150 IMAGE_SIZE = 300 input_shape = (IMAGE_SIZE, IMAGE_SIZE, 3) # (ширина, высота, каналы) model = Sequential([ # Первый сверточный блок Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape), MaxPooling2D(pool_size=(2, 2)), Dropout(0.25), # Второй сверточный блок Conv2D(64, kernel_size=(3, 3), activation='relu'), MaxPooling2D(pool_size=(2, 2)), Dropout(0.25), # Третий сверточный блок Conv2D(128, kernel_size=(3, 3), activation='relu'), MaxPooling2D(pool_size=(2, 2)), Dropout(0.25), # Четвертый сверточный блок Conv2D(256, kernel_size=(3, 3), activation='relu'), MaxPooling2D(pool_size=(2, 2)), Dropout(0.25), # Полносвязный блок и конечный классификатор Flatten(), Dense(1024, activation='relu'), Dropout(0.5), Dense(512, activation='relu'), Dropout(0.5), Dense(num_classes, activation='softmax') # Ваша нейросеть должна предсказывать 150 классов ]) # Компиляция модели model.compile( loss=tf.keras.losses.SparseCategoricalCrossentropy(), optimizer=tf.keras.optimizers.Adam(), metrics=['accuracy'] ) model.summary()Этот код создаёт свёрточную нейросеть с использованием 4 сверточных блоков и полносвязных слоёв. Обратите внимание, что на выходе функция активации
softmaxиспользуется для предсказания вероятности принадлежности изображений к каждому из 150 классов. Вы можете модифицировать или расширять эту архитектуру, чтобы достичь лучшей производительности или более точной модели.Пожалуйста, имейте в виду, что из-за большого размера изображений (300x300), эта нейросеть может потребовать много ресурсов и времени для обучения. Вы можете изменить размер изображений или использовать аугментацию данных, чтобы улучшить производительность вашей модели.