موضوع : تمرین درس شبکه های عصبی( پردازش تصویر–شناساییالگو سگ)

برایتشخیصسگ در تصویر،میتوانیماز شبکههایعصبیاختصاصی یا سفارشی استفاده کنیم یا از شبکه های عصبی ازپیشآموزشدیدهمانندVGG،ResNetویاInceptionاستفاده کنیم. در اینجابرایمثال از شبکهVGG16استفادهشده است. کلکدVGG 16: import numpy as np import tensorflow as tf from tensorflow.keras.applications.vgg16 import VGG16 from tensorflow.keras.preprocessing import image from tensorflow.keras.applications.vgg16 import preprocess_input, decode_predictions

load the pre-trained VGG16 model

model = VGG16(weights='imagenet')

function to classify an image as dog or not dog

def classify_dog(image_path):

load the image

img = image.load_img(image_path, target_size=(224, 224))

preprocess the image

x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x)

predict the class probabilities

preds = model.predict(x)

decode the predictions

decoded_preds = decode_predictions(preds, top=1)[0]

check if the top prediction is for a dog

if decoded_preds[0][1] == 'dog': return True else: return False کد کامل شبکه شفارشی : import tensorflow as tf from tensorflow.keras.preprocessing.image import load_img, img_to_array import numpy as np #بارگیریمدل شبکه عصبیسفارشی model = tf.keras.models.load_model('my_custom_model.h5') #تابع تشخیصسگ در تصویر def dog_detector(image_path): #بارگیریتصویربا استفاده از کتابخانه keras.preprocessing.image image = load_img(image_path, target_size=(224, 224)) #تبدیلتصویربه آرایه numpy image = img_to_array(image)

تغییرشکلآرایهبه شکلیکه شبکه عصبیمورد انتظار دارد

image = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))

مقیاسدادنتصویر

image = image.astype('float32') / 255.0

پیشبینیبا استفاده از شبکه عصبیسفارشی

prediction = model.predict(image)

بررسیآیاتصویرحاویسگ استیاخیر

if prediction[0] >= 0.5: return True else: return False #تست تابع تشخیصسگ با چند تصویر image_paths = ['test_dog.jpg', 'test_cat.jpg', 'test_bird.jpg'] for path in image_paths: if dog_detector(path): return true else: return false بخشیاز کد که مدل شبکه عصبیرا شامل میشود: مدل آماده16VGG:

load the pre-trained VGG16 model

model = VGG16(weights='imagenet') کد شبکه اختصاصی : import tensorflow as tf

تعریفشبکه عصبیسفارشی

model = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(224, 224, 3)), tf.keras.layers.MaxPooling2D((2,2)), tf.keras.layers.Conv2D(64, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D((2,2)), tf.keras.layers.Conv2D(128, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D((2,2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(1, activation='sigmoid') ])

کامپایلشبکه عصبی

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

آموزش شبکه عصبیبا دادههایمورد نظر

model.fit(train_data, train_labels, epochs=10, validation_data=(val_data, val_labels)) بخشیاز کد که تابع اجراییرا شامل میشود:

function to classify an image as dog or not dog

def classify_dog(image_path):

load the image

img = image.load_img(image_path, target_size=(224, 224))

preprocess the image

x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x)

predict the class probabilities

preds = model.predict(x)

decode the predictions

decoded_preds = decode_predictions(preds, top=1)[0]

check if the top prediction is for a dog

if decoded_preds[0][1] == 'dog': return True else: return False توضیحیدرباره شبکه عصبیاستفاده شده و کد شبکه عصبیسفارشی:. درایننمونه، از شبکهVGG16پیشآموزشدیدهبر رویمجموعه دادهImageNetاستفاده شده است. این شبکه دارای۱۶الیهیپیچیدهایاست که برایدستهبندیتصاویربه کار گرفته میشود. درکدشبکه سفارشی،یکشبکه عصبیسفارشیبا چند الیهکانولوشنیو الیههایتماما متصل تعریفشده است. در اینشبکه، ابتدا۳الیهکانولوشنیبا فیلترهای۳x3تعریفشدهاند و سپس برایکاهش ابعاد تصاویر، از الیههایMaxPoolingاستفاده شده است. در انتها، تصویربه صورتیکبرداریکبعدیتبدیلشده و با استفاده از الیههایتماما متصل، خروجینهاییمحاسبه شده است. دربارهکدشبکه سفارشی، بایدتوضیحدهم که در شبکه عصبیسفارشی،برایتشخیصیکدستهبندیخاص، مانند تشخیصسگ در تصاویر،بایددر الیهآخر از تابع فعالسازیsoftmaxبه جایsigmoidاستفاده کنید و تعداد نورونهایخروجیرا با توجه به تعداد دستهبندیهاتعیینکنیم. همچنین، بایددادههایآموزشیو اعتبارسنجیرا به شکلیآماده کنیمکه مطابق با ساختار شبکه عصبیسفارشیماباشند. توضیحیدرباره کل پروژه: اینپروژه، به عنوانیکنمونه ساده از تشخیصسگ در تصاویر،شامل ساختیکشبکه عصبی پیشآموزشدیدهبر رویمجموعه دادهImageNetاست. توضیحیدرباره خروجی: خروجیاینپروژه شاملیکعدد بولیناست که نشان میدهدتصویرورودیحاویسگ استیاخیر. برایاین منظور، تصویرورودیبه تابعclassify_dogداده میشودو خروجیآن بررسیمیشود. test_dog.jpg contains a dog test_cat.jpg does not contain a dog test_bird.jpg does not contain a dog