ディープラーニングで近藤春菜、角野卓三、マイケルムーアを判別する(Kerasで画像分類)

ライブラリKerasを用い、ディープラーニングの1手法であるCNN(畳み込みニューラルネットワーク)による画像分類を行います。
Kerasはディープラーニングのライブラリであるtensorflowのラッパーです。tensorflowの記述は難易度が高いですがKerasを用いると簡単な記述でディープラーニングを実行できます。
近藤春菜、角野卓三、マイケルムーアの画像を学習させ3者を分類できるか試します。　 f:id:T_A_T:20190802103730j:plain
f:id:T_A_T:20190802103804j:plain
f:id:T_A_T:20190802103843j:plain

準備

jupyter notebookファイル(***.ipynb)と同じディレクトリに、フォルダ'keras_image'を作成、さらにその中にフォルダ'Haruna','Takuzo','Moore'を作成し、それぞれのフォルダに近藤春菜、角野卓三、マイケルムーアのjpg画像を保存しました。画像の枚数は春菜59枚、卓三54枚、ムーア65枚です。

環境

windows10 home
Anaconda 3/ jupyter notebook 5.6.0
Python 3.7.0
Keras 2.2.4
tensorflow 1.13.1

コード

import keras
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.layers.core import Dense, Dropout, Activation, Flatten
import numpy as np
from sklearn.model_selection import train_test_split
from PIL import Image
import glob

folder = ['Haruna','Takuzo','Moore']
image_size = 100

# 画像の読み込み、リサイズ、ndarrayへの格納 
X = []
Y = []
for index, name in enumerate(folder):
    dir = 'keras_image/' + name
    files = glob.glob(dir + '/*.jpg')
    for i, file in enumerate(files):
        image = Image.open(file)
        image = image.convert('RGB')
        image = image.resize((image_size, image_size))
        data = np.asarray(image)
        X.append(data)
        Y.append(index)
 
X = np.array(X)
Y = np.array(Y)

# RGBデータの正規化
X = X.astype('float32')
X = X / 255.0

# 正解ラベルの形式を変換
Y = np_utils.to_categorical(Y, 3)

# 訓練データとテストデータの分配(2割をテストデータへ)  
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.20)

# CNNのパラメータ設定
model = Sequential()
 
model.add(Conv2D(32, (3, 3), padding='same',input_shape=X_train.shape[1:])) # レイヤー1  
model.add(Activation('relu'))
model.add(Conv2D(32, (3, 3))) # レイヤー2  
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
 
model.add(Conv2D(64, (3, 3), padding='same'))  # レイヤー3  
model.add(Activation('relu'))
model.add(Conv2D(64, (3, 3)))   # レイヤー4  
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
 
model.add(Flatten())   # レイヤー5
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(3))   # レイヤー6  
model.add(Activation('softmax'))
 
# コンパイル
model.compile(loss='categorical_crossentropy',optimizer='SGD',metrics=['accuracy'])

#訓練
model.fit(X_train, Y_train,batch_size=32, epochs=100)

#評価 & 評価結果出力
score = model.evaluate(X_test, Y_test)
print('loss=',score[0])
print('accuracy=',score[1])

実行結果

訓練データでの正解率は100%、テストデータでの正解率は88%となりました。

Epoch 1/100
140/140 [==============================] - 10s 75ms/step - loss: 1.0941 - acc: 0.3571
Epoch 10/100
140/140 [==============================] - 9s 64ms/step - loss: 0.7655 - acc: 0.6714
Epoch 20/100
140/140 [==============================] - 10s 72ms/step - loss: 0.4966 - acc: 0.7786
Epoch 30/100
140/140 [==============================] - 9s 63ms/step - loss: 0.3521 - acc: 0.8857
Epoch 40/100
140/140 [==============================] - 9s 64ms/step - loss: 0.2045 - acc: 0.9429 Epoch 50/100
140/140 [==============================] - 9s 64ms/step - loss: 0.1505 - acc: 0.9429
Epoch 60/100
140/140 [==============================] - 9s 63ms/step - loss: 0.1426 - acc: 0.9643
Epoch 70/100
140/140 [==============================] - 9s 64ms/step - loss: 0.1345 - acc: 0.9714
Epoch 80/100
140/140 [==============================] - 9s 63ms/step - loss: 0.0650 - acc: 0.9786
Epoch 90/100
140/140 [==============================] - 9s 63ms/step - loss: 0.0434 - acc: 1.0000
Epoch 100/100
140/140 [==============================] - 9s 63ms/step - loss: 0.0275 - acc: 1.0000
35/35 [==============================] - 1s 25ms/step
loss= 0.20433183312416076
accuracy= 0.8857142857142857