[Vision] 이미지 분류
1. 사용할 패키지 불러오기.
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as pltimport를 활용하여 사용할 패키지를 불어왔습니다.
2. 데이터 불러오기.
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()저희는 이번 실습에서 굉장히 유명한 Open dataset 중에 하나인 패션 MNIST를 활용하겠습니다.
패션 MNIST 일반적인 숫자로 알려져 있는 기본 MNIST보다 어려운 과제입니다.
코드를 한 줄 씩 살펴보겠습니다.
fashion_mnist = keras.datasets.fashion_mnistkeras.datasets에는 여러가지 open data가 저장되어있습니다.
저희는 그중에서 fashion_mnist를 사용하는 것입니다.
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()fashion_mnist에 대해서 load_data()를 입력하면 총 4개의 numpy array가 반환됩니다.
이들은 정의된 바와 같이 train dataset에 해당하는 이미지와 라벨, 그리고 test dataset에 해당하는 이미지와 라벨입니다.
Fashion_mnist는 다음과 같은 라벨을 가지고 있습니다.
3. 데이터 전처리
데이터 분석 프로세스에 있어서 모델링 전에 반드시 진행해야 하는 절차가 있습니다.
바로 데이터 전처리입니다.
train_images.shape
(60000, 28, 28)가져온 데이터의 구조를 보도록 하겠습니다.
train 데이터 셋의 이미지는 총 60,000장으로 확인됩니다.
또환 이러한 이미지들은 모두 28 x 28 pixel로 만들어집니다.
test_images.shape
(10000, 28, 28)반면에 test 데이터 셋의 이미지는 총 10,000장이면서 이미지의 pixel 크기는 같습니다.
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()
위의 그래프를 보시면 각 픽셀의 크기가 0~255의 범위를 가지는 것을 보실 수 있습니다.
하지만 신경망 모델의 특성상 입력값은 -1~1 사이의 범위를 가지거나 0~1 사이의 범위를 가지게 하는 것이 효율적입니다.
train_images = train_images / 255.0
test_images = test_images / 255.0저희는 0~1 사이의 값을 가지게 하기 위해서 255로 나누었습니다.
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])
plt.show()
총 25개의 이미지를 가지고 온 결과 데이터가 잘 불러와졌다는 것을 보실 수 있습니다.
4. 분류 모델 생성
이번 포스팅에서는 이미지 데이터를 활용해서 DNN 모델로 분류해보겠습니다.
CNN 모델은 다음 포스팅에서 다루어 보도록 할게요.
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])keras에서는 Sequential로 층을 쌓을 수 있습니다.
이미지를 Fully-connected layer에 넣기 위해서 28 * 28 피처 맵을 펼쳐 줄 필요가 있습니다.
그 역할을 하는 것이 Flatten layer 입니다.
그리고 펼쳐 진 feature를 Fully-connected layer에 넣어줍시다.
Dense라는 함수가 Fully-connected layer를 의미합니다. 첫번째 인자로는 output dimension을 의미합니다.
즉 첫번째 layer는 28 * 28개의 feature를 128개로 압축합니다.
그리고 활성 함수로 relu를 사용하였습니다.
두 번째 layer는 128개의 feature를 10개로 압축합니다.
왜냐하면 class가 10개있기 때문이죠!
활성 함수는 분류 문제이기 때문에 softmax를 사용합니다.
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])다음으로 모델을 훈련하기 위한 Optimizer와 Loss를 설정합니다.
Adam과 Sparse categorical crossentropy를 사용합니다.
model.fit(train_images, train_labels, epochs=5)fit 함수를 통해서 모델을 훈련시킬 수있습니다. epoch는 간단하게 5회만 입력하였습니다.
5. 분류 예측
위에서 훈련된 분류 모델로 Test 데이터셋에 대한 예측을 해보겠습니다.
predictions = model.predict(test_images)훈련된 모델을 활용해서 .predict를 붙여주면 예측이 진행됩니다.
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
plt.subplot(num_rows, 2*num_cols, 2*i+1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(num_rows, 2*num_cols, 2*i+2)
plot_value_array(i, predictions, test_labels)
plt.show()
위의 코드로 예측에 대한 신뢰도를 측정해볼 수 있습니다.
epoch가 적었음에도 불구하고 꽤나 좋은 성능을 보이네요.