Классификация изображений на Python. От классического компьютерного зрения до CNN и AlexNet

model_best_tiny_KNC.fit(train_d_tiny, train_l_tiny) # Обучение модели на обучающих данных

time_mid = time.time()

time_train = time_mid - time_start # Время, затраченное на обучение

label_pred_tiny_KNC = model_best_tiny_KNC.predict(test_d_tiny) # Прогнозирование с помощью модели

time_test = time.time() - time_mid # Время, затраченное на тестирование

acc_tiny_KNC = print_stats(label_pred_tiny_KNC, test_l_tiny, time_train, time_test, "Tiny Images + Nearest Neighbor")

Точность модели «Tiny Images + Nearest Neighbor» составляет 55,20%.

Обучение: Время выполнения: 0,02 секунды.

Тестирование: Время выполнения: 0,73 секунды.

Точность для класса Class01 составляет 21%.

Точность для класса Class02 составляет 38%.

Точность для класса Class03 составляет 76%.

Точность для класса Class04 составляет 50%.

Точность для Class05 составляет 93%.

Точность для класса Class06 составляет 28%.

Точность для класса Class07 составляет 74%.

Точность для класса Class08 составляет 40%.

Точность для класса 09 составляет 53%.

Точность для класса Class10 составляет 87%.

Точность для класса Class11 составляет 29%.

Точность для класса 12 составляет 62%.

Точность для класса Class13 составляет 40%.

Точность для класса Class14 составляет 65%.

Точность для класса 15 составляет 72%.

# Обучение и оценка с помощью классификатора SVM

time_start = time.time() # Время начала

model_best_tiny_SVM = LinearSVC(C=lambda_tiny, random_state=0) # Вызов LinearSVC

model_best_tiny_SVM.fit(train_d_tiny, train_l_tiny) # Обучение SVM

time_mid = time.time()

time_train = time_mid - time_start # Время обучения

label_pred_tiny_SVM = model_best_tiny_SVM.predict(test_d_tiny) # Вызов clf.predict

time_test = time.time() - time_mid # Время тестирования

acc_tiny_SVM = print_stats(label_pred_tiny_SVM, test_l_tiny, time_train, time_test, "Tiny Images + Linear SVC")

Точность модели «Tiny Images + Linear SVC» составляет 41,73%.

Обучение: Время выполнения: 0,19 секунды.

Тестирование: Время выполнения: 0,02 секунды.

Точность для Class01 составляет 26%.

Точность для Class02 составляет 22%.

Точность для Class03 составляет 75%.

Точность для Class04 составляет 11%.

Точность составляет 78% для Class05.

Точность для класса Class06 составляет 21%.

Точность для класса Class07 составляет 63%.

Точность для класса 08 составляет 18%.

Точность для класса Class09 составляет 44%.

Точность для класса Class10 составляет 64%.

Точность для класса Class11 составляет 26%.

Точность для класса Class12 составляет 42%.

Точность для класса Class13 составляет 22%.

Точность для класса Class14 составляет 42%.

Точность для класса 15 составляет 72%.

Последний шаг — использование матрицы путаницы [9] для отображения точности прогнозирования. Нам нужно вызвать функцию plot_confusion_matrix(), чтобы получить две матрицы путаницы.

# Вывод и построение графика матрицы путаницы

def plot_confusion_matrix(cm, classes, normalize=True, title=' ', cmap=plt.cm. Blues):

if normalize: # Нормализация

cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]

plt.figure(figsize=(10, 8))

plt.imshow(cm, interpolation='nearest', cmap=cmap)

plt.title('Матрица путаницы: ' + title)

plt.colorbar()

tick_marks = np.arange(len(classes))

plt.xticks(tick_marks, classes, rotation=45)

plt.yticks(tick_marks, classes)

fmt = '.2f', если normalize, иначе 'd'

thresh = cm.max() / 2.

for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):

plt.text(j, i, format(cm[i, j], fmt), horizontalalignment="center", color="white", если cm[i, j] > thresh, иначе "black")

plt.ylabel ("Истинные метки")

plt.xlabel («Предсказанные метки»)

plt.tight_layout()

# Алгоритм 1: Представление миниатюрных изображений

# Матрица путаницы (метод ближайшего соседа)

cm11 = confusion_matrix(test_l_tiny, label_pred_tiny_KNC)

plot_confusion_matrix(cm11, c_names, title='Миниатюрные изображения + метод ближайшего соседа')

# Матрица путаницы (линейный SVC)

cm12 = confusion_matrix(test_l_tiny, label_pred_tiny_SVM)

plot_confusion_matrix(cm12, c_names, title='Миниатюрные изображения + линейный SVC')

Матрицы путаницы для обоих классификаторов показаны на рисунках 3 и 4 соответственно.

Диагональ матрицы путаницы показывает точность распознавания каждого класса. Несмотря на то что представление миниатюрных изображений используется здесь лишь как простая базовая модель, для классов 03, 05, 07, 10 и 15 точность превышает 60 % при обоих классификаторах.

Размер миниатюрных изображений последовательно задавался равным (8, 8), (16, 16), (32, 32), (64, 64) и (128, 128). Результаты приведены в таблице 1. В целом при увеличении размера изображения точность растёт как для KNN, так и для SVM; однако при каждом удвоении линейного размера объём вычислений увеличивается примерно в четыре раза, поскольку площадь изображения возрастает в четыре раза.

Что касается представления миниатюрных изображений, максимальная точность прогнозирования классификаторов KNN и SVM составила 59,07 % и 57,13 % соответственно; во всех случаях классификации классификатор KNN показал лучшие результаты, чем SVM.

Табл. 1. Результаты точности прогнозирования при работе с мелкими изображениями.

Размер изображения

(8,8)

(16,16)

(32,32)

(64,64)

(128, 128)

Максимальная точность (%)

KNN

48,73

55,20

55,20

57,47

59,07

SVM

32,93

41,73

48,20

53,40

57,13

Время выполнения (сек.)

KNN

0,25

0,97

3,88

14,97

58,05

SVM

0,19

0,57

1,66

6,10

25,76