Как найти делимое фото

Больше уроков и заданий по всем школьным предметам в онлайн-школе «Альфа». Запишитесь на пробное занятие прямо сейчас!

import tensorflow as tf
from tensorflow import keras

# импортируем библиотеку pathlib, а также функцию Path для работы с директориями 
import pathlib
from pathlib import Path
import os
# для упорядочивания файлов в директории 
import natsort

# библиотеки для работы с изображениями
import cv2
from PIL import Image
import matplotlib.pyplot as plt

# -- Импорт для подготовки данных: --
# модуль для предварительной обработки изображений 
from tensorflow.keras.preprocessing import image
# Класс ImageDataGenerator - для генерации новых изображений на основе имеющихся   
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# -- Импорт для построения модели: --
# импорт слоев нейросети
from tensorflow.keras import layers
from tensorflow.keras.layers.experimental import preprocessing
# импорт модели
from tensorflow.keras.models import Sequential
# импорт оптимайзера
from tensorflow.keras.optimizers import RMSprop

# Получим и отсортируем список с названиями фото с женскими лицами
woman_filenames = os.listdir(woman_path)
woman_filenames = natsort.natsorted(woman_filenames)

# Получим и отсортируем список с названиями фото с мужскими лицами
men_filenames = os.listdir(men_path)
men_filenames = natsort.natsorted(men_filenames)

# -- Выведем часть фотографий (с 5 по 15) на экран:
#1. создаем график(фигуру) для вывода всех фото
pic_box = plt.figure(figsize=(14,12))
for i, image_name in enumerate(woman_filenames[5:15]):
    #2. считываем текущее изображение
    image = plt.imread(str(Path(woman_path, image_name)))
    #3. создаем "подграфик" для вывода текущего изображения в заданной позиции
    ax = pic_box.add_subplot(3,5,i+1)
    #4. в качестве названия графика определяем имя фотографии и число каналов 
    ax.set_title(str(image_name) + 'n Каналов = ' + str(image.shape[2]))
    #5. выводим изображение на экран
    plt.imshow(image)
    #6. отключаем вывод осей графика
    plt.axis('off')
plt.show()

for img in woman_filenames:
    im = Image.open(Path(woman_path,img))
    # Если расширение файла ".png" и формат файла "PNG":
    if (img[-3:].lower()=='png' and im.format is 'PNG'):
        # если режим изображения не RGBA (без альфа-канала):
        if im.mode is not 'RGBA':
            # конвертируем фото в RGBA и сохраняем в той же директории под тем же именем
            im.convert("RGBA").save(Path(woman_path, img))
            # при желании, можно вывести имена файлов, которые были переформатированы.
            print(img)

for img in os.listdir(men_path):
    im = Image.open(Path(men_path,img))
    # Если расширение файла ".png" и формат файла "PNG":
    if (img[-3:].lower()=='png' and im.format is 'PNG'):
        # если режим изображения не RGBA (без альфа-канала):
        if im.mode is not 'RGBA':
            # конвертируем фото в RGBA и сохраняем в той же директории под тем же именем
            im.convert("RGBA").save(Path(men_path, img))
            # при желании, можно вывести имена файлов, которые были переформатированы.
            print(img)

splitfolders.ratio(base_path, 'faces_splited', ratio=(0.8, 0.15, 0.05), seed=18, group_prefix=None )

# определим параметры нормализации данных
train = ImageDataGenerator(rescale=1/255)
val = ImageDataGenerator(rescale=1/255)

# сгенерируем нормализованные данные
train_data = train.flow_from_directory('faces_splited/train', target_size=(299,299), 
                          class_mode='binary', batch_size = 3, shuffle=True)
val_data = val.flow_from_directory('faces_splited/val', target_size=(299,299),
                                  class_mode='binary', batch_size=3, shuffle=True)

# Определяем параметры аугментации
data_augmentation = keras.Sequential(
  [
    # Отражение по горизонтали
    layers.experimental.preprocessing.RandomFlip("horizontal", input_shape=(299, 299,3)),
    # Вращение на рандомное значение до 0.05
    layers.experimental.preprocessing.RandomRotation(0.05),
    # Меняем контрастность изображений
    layers.experimental.preprocessing.RandomContrast(0.23),
    # Изменяем размер
    layers.experimental.preprocessing.RandomZoom(0.2)
  ]
)

model = Sequential([
    # добавим аугментацию данных
    data_augmentation,
    layers.Conv2D(16, (3,3), activation='selu', input_shape=(299,299,3)),
    layers.MaxPool2D(2,2),
    layers.Conv2D(32, (3,3), activation='selu'),
    layers.MaxPool2D(2,2),
    layers.Dropout(0.05),
    
    layers.Conv2D(64, (3,3), activation='selu'),
    layers.MaxPool2D(2,2),
    layers.Dropout(0.1),
    layers.Conv2D(128, (2,2), activation='selu'),
    layers.MaxPool2D(2,2),
    layers.Conv2D(256, (2,2), activation='selu'),
    layers.MaxPool2D(2,2),
    layers.Dropout(0.2),
    layers.Flatten(),
    layers.Dense(500, activation='selu'),

    layers.Dense(1, activation='sigmoid')                        
])

# Файл для сохранения модели с лучшими параметрами
checkpoint_filepath = 'best_model.h5'
# Компиляция модели
model.compile(loss='binary_crossentropy',
            optimizer = RMSprop(lr=0.00024),
            #optimizer=tf.keras.optimizers.Adam(learning_rate=0.000244),
             metrics = ['binary_accuracy'])

model_checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_filepath,
    monitor='val_binary_accuracy',
    mode='max',
    save_best_only=True)

# Тренировка модели
history = model.fit(train_data, batch_size=500, verbose=1, epochs= 35, 
                    validation_data=val_data,
                   callbacks=[model_checkpoint_callback])