如何在新图像上使用 .predict_generator() - Keras

Question

我已经使用ImageDataGenerator和flow_from_directory进行培训和验证。

这些是我的目录：

train_dir = Path('D:/Datasets/Trell/images/new_images/training')

test_dir = Path('D:/Datasets/Trell/images/new_images/validation')

pred_dir = Path('D:/Datasets/Trell/images/new_images/testing')

图像生成器代码：

img_width, img_height = 28, 28

batch_size=32

train_datagen = ImageDataGenerator(

    rescale=1. / 255,

    shear_range=0.2,

    zoom_range=0.2,

    horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(

    train_dir,

    target_size=(img_height, img_width),

    batch_size=batch_size,

    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(

    test_dir,

    target_size=(img_height, img_width),

    batch_size=batch_size,

    class_mode='categorical')

找到属于 4 个类别的 1852 张图片

找到属于 4 个类别的 115 个图像

这是我的模型训练代码：

history = cnn.fit_generator(

        train_generator,

        steps_per_epoch=1852 // batch_size,

        epochs=20,

        validation_data=validation_generator,

        validation_steps=115 // batch_size)

现在我在测试文件夹中有一些新图像（所有图像仅在同一个文件夹中），我想对其进行预测。但是当我使用时，.predict_generator我得到：

找到属于 0 个类别的 0 个图像

所以我尝试了这些解决方案：

1) Keras：如何将 predict_generator 与 ImageDataGenerator 一起使用？这没有成功，因为它仅尝试验证集。

2）如何使用model.predict来预测新图像？ module image not found

3)如何使用 predict_generator 对 Keras 中的流测试数据进行预测？这也没有奏效。

我的火车数据基本上存储在 4 个单独的文件夹中，即 4 个特定的类，验证也以相同的方式存储并且效果很好。

所以在我的测试文件夹中，我有大约 300 张图像，我想在这些图像上预测并制作一个数据框，如下所示：

image_name    class

gghh.jpg       1

rrtq.png       2

1113.jpg       1

44rf.jpg       4

tyug.png       1

ssgh.jpg       3

我还使用了以下代码：

img = image.load_img(pred_dir, target_size=(28, 28))

img_tensor = image.img_to_array(img)

img_tensor = np.expand_dims(img_tensor, axis=0)

img_tensor /= 255.

cnn.predict(img_tensor)

但我收到此错误： [Errno 13] Permission denied: 'D:\\Datasets\\Trell\\images\\new_images\\testing'

但我一直无法predict_generator在我的测试图像上。那么我如何使用 Keras 预测我的新图像。我在谷歌上搜索了很多，也在 Kaggle Kernels 上搜索过，但没有找到解决方案。

Answer 1

因此，首先应将测试图像放置在测试文件夹内的单独文件夹中。所以就我而言，我在文件夹内创建了另一个文件test夹并将其命名为all_classes. 然后运行以下代码：test_generator = test_datagen.flow_from_directory(    directory=pred_dir,    target_size=(28, 28),    color_mode="rgb",    batch_size=32,    class_mode=None,    shuffle=False)上面的代码给了我一个输出：找到属于 1 个类别的 306 个图像最重要的是，您必须编写以下代码：test_generator.reset()否则会出现奇怪的输出。然后使用.predict_generator()函数：pred=cnn.predict_generator(test_generator,verbose=1,steps=306/batch_size)运行上面的代码将给出概率输出，所以首先我需要将它们转换为类号。就我而言，它是 4 个班级，因此班级编号为 0、1、2 和 3。编写的代码：predicted_class_indices=np.argmax(pred,axis=1)下一步是我想要类的名称：labels = (train_generator.class_indices)labels = dict((v,k) for k,v in labels.items())predictions = [labels[k] for k in predicted_class_indices]where by class numbers 将替换为 class 名称。如果要将其保存到 csv 文件，最后一步是将其排列在数据框中，并在图像名称后附加预测的类。filenames=test_generator.filenamesresults=pd.DataFrame({"Filename":filenames,                      "Predictions":predictions})显示您的数据框。现在一切都完成了。您将获得图像的所有预测类别。

Answer 2

我遇到了一些麻烦predict_generator()。这里的一些帖子帮助很大。我也在这里发布我的解决方案，希望它能帮助其他人。我做的事情：使用对新图像进行预测 predict_generator()获取每个预测的文件名将结果存储在数据框中我根据此处记录的“猫和狗”进行二元预测。但是，该逻辑可以推广到多类情况。在这种情况下，预测结果每类有一列。首先，我加载我存储的模型并设置数据生成器：import numpy as npimport pandas as pdfrom keras.preprocessing.image import ImageDataGeneratorfrom keras.models import load_model# Load modelmodel = load_model('my_model_01.hdf5')test_datagen = ImageDataGenerator(rescale=1./255)test_generator = test_datagen.flow_from_directory(        "C:/kerasimages/pred/",        target_size=(150, 150),        batch_size=20,        class_mode='binary',        shuffle=False)注意：重要的是要指定shuffle=False以保留文件名和预测的顺序。图像存储在C:/kerasimages/pred/images/. 数据生成器将只在（如 中指定的）的子文件夹中查找图像。尊重数据生成器的逻辑很重要，所以需要子文件夹。中的每个子文件夹都 被生成器解释为一个类。在这里，生成器将报告（因为只有一个子文件夹）。如果我们进行预测，类（由生成器检测到的）是不相关的。C:/kerasimages/pred/test_generator/images/C:/kerasimages/pred/Found x images belonging to 1 classes现在，我可以使用生成器进行预测：# Predict from generator (returns probabilities)pred=model.predict_generator(test_generator, steps=len(test_generator), verbose=1)在这种情况下不需要重置生成器，但如果之前已经设置过生成器，则可能需要使用test_generator.reset().接下来，我舍入概率以获取类并检索文件名：# Get classes by np.roundcl = np.round(pred)# Get filenames (set shuffle=false in generator is important)filenames=test_generator.filenames最后，结果可以存储在数据框中：# Data frameresults=pd.DataFrame({"file":filenames,"pr":pred[:,0], "class":cl[:,0]})

Answer 3

您最有可能在使用flow_from_directory. 阅读文档：flow_from_directory（目录，...）在哪里：directory：目标目录的路径。每个类应该包含一个子目录。每个子目录目录树中的任何 PNG、JPG、BMP、PPM 或 TIF 图像都将包含在生成器中。这意味着在传递给此函数的目录中，您必须创建子目录并将图像放置在该子目录中。否则，当图像在您传递的目录（不是子目录）中时，确实有 0 个图像和 0 个类。编辑好的，如果您要执行预测，我相信您希望使用以下predict功能：（请注意，您必须以与学习过程中相同的格式向网络提供数据）image = img_to_array(load_img(f"{directory}/{foldername}/{filename}"))# here you prepare the input data, for example here we take the gray image# gray scale is the 1st channel in the Lab color spacecolor_me = rgb2lab((1.0 / 255) * color_me)[:, :, 0]color_me = color_me.reshape(color_me.shape + (1,))# here data is in the format which is accepted by, in this case, my model# for your model you have to do the preparation just the same as in the case of learning processoutput = model.predict(np.array([color_me]))# and here you have your predicted output