【深度学习--图像分类】imageAI自定义模型训练

无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。人工智能教程

10分钟了解下图像识别库imageAI，请看上篇文章。点这里

ImageAI 提供4种不同的算法及模型来执行自定义预测模型训练，通过以下简单几个步骤即可实现自定义预测模型训练。提供用于自定义预测模型训练的4种算法包括 SqueezeNet，ResNet，InceptionV3 和 DenseNet。您可以将其中一种算法加载到imageai.Prediction.Custom.CustomImagePrediction类中，这允许您在任何对象/人的图像集上训练您自己的模型。训练过程生成一个 JSON 文件，用于映射图像数据集和许多模型中的对象类型。然后，您就可以使用生成的 JSON 文进行高精度自定义图像预测。

安装imageAI 库，采用清华镜像源，python版本：3.6.9

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  imageAI

安装tensorflow_gpu，采用清华镜像源，python版本：3.6.9

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  tensorflow_gpu==1.14

要进行自定义预测模型训​​练，您需要准备要用于训练的图像。您需要按如下方式提供图像：

创建一个数据集文件夹并命名（如 pets）
在数据集文件中创建一个名称为 train 的子文件夹
在数据集文件中创建一个名称为 test 的子文件夹
在 train 文件夹中，为每个你要训练的对象创建文件夹并命名（如 dog，cat，squirrel，snake）
在 test 文件夹中，为每个你要训练的对象创建文件夹并命名（如 dog，cat，squirrel，snake）
把每个对象的图像放在 train 文件夹下对应名称的子文件夹，这些图像是用于训练模型的图像，为了训练出精准度较高的模型，我建议每个对象收集大约500张以上图像。
把每个对象用于测试的图像放在 test 文件夹下对应名称的子文件夹，为了训练出精准度较高的模型，我建议每个对象用于测试的图像在100~200张。用于训练模型时在这些图像中识别出要训练的对象。
按照上述步骤操作完成后，图像数据集文件夹的结构应如下所示：

pets >
train >> dog >>> dog_train_images
      >> cat >>> cat_train_images
      >> squirrel >>> squirrel_train_images
      >> snake >> snake_train_images
test  >> dog >>> dog_test_images
      >> cat >>> cat_test_images
      >> squirrel >>> squirrel_test_images
      >> snake >>> snake_test_images

训练代码：
resnet._train.py

from imageai.Prediction.Custom import ModelTraining
model_trainer = ModelTraining()
model_trainer.setModelTypeAsResNet()
model_trainer.setDataDirectory("./pets/")
model_trainer.trainModel(num_objects=4, num_experiments=100, enhance_data=True, batch_size=32, show_network_summary=True)

没错! 只需 5 行代码，就可以在您的数据集上使用所支持的4种深度学习算法来训练自定义模型。现在让我们来看看上面的代码是如何工作的：

from imageai.Prediction.Custom import ModelTraining

model_trainer = ModelTraining()
model_trainer.setModelTypeAsResNet()
model_trainer.setDataDirectory("pets")

在上面的代码中，第一行导入 ImageAI 的ModelTraining类，第二行创建了ModelTraining类的新实例，第三行将模型类型设置为ResNet，第四行设置我们想要训练的数据集的路径。

model_trainer.trainModel(num_objects=4, num_experiments=100, enhance_data=True, batch_size=32, show_network_summary=True)

在上面的代码中，我们开始了模型训练，参数如下：

num_objects：该参数用于指定图像数据集中对象的数量
num_experiments：该参数用于指定将对图像训练的次数，也称为epochs
enhance_data（可选）：该参数用于指定是否生成训练图像的副本以获得更好的性能。
batch_size：该参数用于指定批次数量。由于内存限制，需要分批训练，直到所有批次训练集都完成为止。
show_network_summary：该参数用于指定是否在控制台中显示训练的过程。