MUJAKJUNG - 개와 고양이 분류

1. 라이브러리 정의

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

import os

import tensorflow
from tensorflow import keras

---

2. 데이터 확인

# 데이터 확인하기
data_path = "./cats_and_dogs/"

for idx in range(1,5):
  plt.subplot(2,2,idx)
  img = plt.imread(data_path + "cats/cat_" + f"{idx}.jpg")
  plt.imshow(img)

고양이 데이터 확인

---

3. 이미지 데이터 전처리

• 각 이미지를 image.load_img를 통해 PIL.Image.Image 형태로 불러온다.
• image를 img_to_array를 통해 ndarray로 변환한다.
• x_train의 shape은 (이미지 수, 너비, 높이, 채널 수) 이다.

# 이미지 데이터 배열로 변환하기
x_train = []
y_train = []
for c in ['cats', 'dogs']:
  for filename in os.listdir(data_path + f'{c}/'):
    img = image.load_img(data_path + f'{c}/{filename}', target_size=(256,256))
    img = image.img_to_array(img)
    x_train.append(img)
    if c == 'cats':
      y_train.append(1)
    else:
      y_train.append(0)

x_train = np.array(x_train)
y_train = np.array(y_train)

print(x_train.shape)
print(y_train.shape)

(24, 256, 256, 3)
(24,)

---

4. 모델 생성

• Sequential 형태로 모델 작성
• 2개의 layer, activation function은 ReLU
• 분류를 위한 1차원 데이터 변환 Flatten
• 이진 분류 결과를 위한 activation function인 sigmoid

# 모델 생성
keras.backend.clear_session()

model = keras.models.Sequential([
    keras.layers.Input(shape=(256,256,3)),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(32, activation='relu'),
    keras.layers.Flatten(),
    keras.layers.Dense(1, activation='sigmoid')
])

model.summary()

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 dense (Dense)               (None, 256, 256, 64)      256       
                                                                 
 dense_1 (Dense)             (None, 256, 256, 32)      2080      
                                                                 
 flatten (Flatten)           (None, 2097152)           0         
                                                                 
 dense_2 (Dense)             (None, 1)                 2097153   
                                                                 
=================================================================
Total params: 2,099,489
Trainable params: 2,099,489
Non-trainable params: 0
_________________________________________________________________

---

5. 모델 학습

• loss function은 binary_crossentropy
• model.fit()을 통해 학습 진행

model.compile(loss='binary_crossentropy', metrics='accuracy')
model.fit(x_train, y_train, epochs=30, verbose=1)

---

6. 결과 확인

• 최종 Accuracy 95.8%

Epoch 27/30
1/1 [==============================] - 0s 352ms/step - loss: 1597.0031 - accuracy: 0.5000
Epoch 28/30
1/1 [==============================] - 0s 374ms/step - loss: 2486.4636 - accuracy: 0.6250
Epoch 29/30
1/1 [==============================] - 0s 340ms/step - loss: 202.5248 - accuracy: 0.8750
Epoch 30/30
1/1 [==============================] - 0s 365ms/step - loss: 74.7255 - accuracy: 0.9583

1/1 [==============================] - 0s 36ms/step
prediction : cat

테스트 이미지 분류 결과 : Cat

 

---

# 추가로 생각해볼 점

 

정확도가 95.8%인 모델을 사용할 수 있을까?

학습하는 이미지를 늘려 진행한다면, 정확도는 어떻게 될까?

loss가 줄어들면, accuracy도 반드시 줄어들까?