205 lines
6.0 KiB
Markdown
205 lines
6.0 KiB
Markdown
# 用 Python 对服装图像进行分类——完全指南
|
||
|
||
> 原文：<https://www.askpython.com/python/examples/classifying-clothing-images>
|
||
|
||
大家好！在本教程中，我们将看看如何使用 Python 编程语言在 TensorFlow 的帮助下对各种服装图像进行分类。
|
||
|
||
社交媒体平台 Instagram、YouTube 和 Twitter 已经接管了我们的日常生活。模特和名人尤其需要知道如何**将服装分成几类**，如果他们想看起来最好的话。
|
||
|
||
***也读作:[用 Python 加密价格预测](https://www.askpython.com/python/examples/crypto-price-prediction)***
|
||
|
||
|
||
|
||
Classify Images Sample Demonstration
|
||
|
||
照片中时尚物品的分类包括个体服装的识别。这同样适用于社交网络、电子商务和刑法。
|
||
|
||
* * *
|
||
|
||
## 步骤 1:导入模块
|
||
|
||
每个项目的第一步是导入所有需要的模块。我们将与 Tensorflow 以及 numpy 和 matplotlib 一起工作。
|
||
|
||
```py
|
||
import tensorflow as tf
|
||
import numpy as np
|
||
import matplotlib.pyplot as plt
|
||
|
||
```
|
||
|
||
## 步骤 2:数据的加载和预处理
|
||
|
||
我们将要加载到程序中的数据集可以在这里看到[。](https://www.tensorflow.org/api_docs/python/tf/keras/datasets/fashion_mnist/load_data)
|
||
|
||
这个数据集包括来自十个不同时尚类别的`60,000`张灰度照片，每张照片的尺寸为`28x28 pixels`，外加一组虚拟的`10,000` 图像。
|
||
|
||
可以使用该数据集替换 MNIST。下面的代码行实现了数据的加载。
|
||
|
||
```py
|
||
fashion_data=tf.keras.datasets.fashion_mnist
|
||
|
||
```
|
||
|
||
* * *
|
||
|
||
## 步骤 3:训练和测试数据分割
|
||
|
||
任何机器学习模型的主要部分都包括基于 80-20 规则将数据分成两部分。
|
||
|
||
80-20 规则规定，80%的数据发送给[训练数据，20%发送给](https://www.askpython.com/python/examples/split-data-training-and-testing-set)测试数据。下面的代码将数据分为训练和测试。
|
||
|
||
```py
|
||
(inp_train,out_train),(inp_test,out_test)=fashion_data.load_data()
|
||
inp_train = inp_train/255.0
|
||
inp_test = inp_test/255.0
|
||
print("Shape of Input Training Data: ", inp_train.shape)
|
||
print("Shape of Output Training Data: ", out_train.shape)
|
||
print("Shape of Input Testing Data: ", inp_test.shape)
|
||
print("Shape of Output Testing Data: ", out_test.shape)
|
||
|
||
```
|
||
|
||
代码还对加载的数据集进行标准化。
|
||
|
||
```py
|
||
Shape of Input Training Data: (60000, 28, 28)
|
||
Shape of Output Training Data: (60000,)
|
||
Shape of Input Testing Data: (10000, 28, 28)
|
||
Shape of Output Testing Data: (10000,)
|
||
|
||
```
|
||
|
||
* * *
|
||
|
||
## 步骤 4:数据可视化
|
||
|
||
将初始数据可视化的代码如下:
|
||
|
||
```py
|
||
plt.figure(figsize=(10,10))
|
||
for i in range(100):
|
||
plt.subplot(10,10,i+1)
|
||
plt.imshow(inp_train[i])
|
||
plt.xticks([])
|
||
plt.yticks([])
|
||
plt.xlabel(out_train[i])
|
||
plt.tight_layout()
|
||
plt.show()
|
||
|
||
```
|
||
|
||
|
||
|
||
MNIST Clothes Data Visualize
|
||
|
||
* * *
|
||
|
||
## 步骤 5:将标签更改为实际名称
|
||
|
||
我们已经看到了可视化，但我们也希望标签有明确定义的名称。下面提到的代码将达到目的。
|
||
|
||
```py
|
||
Labels=['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
|
||
plt.figure(figsize=(10,10))
|
||
for i in range(100):
|
||
plt.subplot(10,10,i+1)
|
||
plt.xticks([])
|
||
plt.yticks([])
|
||
plt.imshow(inp_train[i], cmap=plt.cm.binary)
|
||
plt.xlabel(Labels[out_train[i]])
|
||
plt.tight_layout()
|
||
plt.show()
|
||
|
||
```
|
||
|
||
|
||
|
||
MNIST Clothes Data Visualize With Labels
|
||
|
||
你现在可以看到，可视化现在更容易理解了。
|
||
|
||
* * *
|
||
|
||
## 步骤 6:构建、编译和训练模型
|
||
|
||
TensorFlow 和 Keras 模型的构建、编译和定型代码如下所示:
|
||
|
||
```py
|
||
my_model = tf.keras.Sequential([
|
||
tf.keras.layers.Flatten(input_shape=(28, 28)),
|
||
tf.keras.layers.Dense(128, activation='relu'),
|
||
tf.keras.layers.Dense(10)
|
||
])
|
||
my_model.compile(optimizer='adam',
|
||
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
|
||
metrics=['accuracy'])
|
||
my_model.fit(inp_train, out_train, epochs=20)
|
||
|
||
```
|
||
|
||
* * *
|
||
|
||
## 步骤 7:检查最终损失和准确性
|
||
|
||
既然我们的模型已经训练成功，现在就轮到计算损失并找到所创建和训练的模型的最终精度了。
|
||
|
||
```py
|
||
loss, accuracy = my_model.evaluate(inp_test,out_test,verbose=2)
|
||
print('\nAccuracy:',accuracy*100)
|
||
|
||
```
|
||
|
||
整个模型处理后得到的最终精度为*88.8%，相当不错。*
|
||
|
||
* * *
|
||
|
||
## *第八步:做预测*
|
||
|
||
*我们已经到了程序的最后一步，使用我们刚刚创建和训练的模型进行预测。*
|
||
|
||
```py
|
||
*prob=tf.keras.Sequential([my_model,tf.keras.layers.Softmax()])
|
||
pred=prob.predict(inp_test)*
|
||
```
|
||
|
||
* * *
|
||
|
||
## *步骤 9:可视化最终预测*
|
||
|
||
*对任何分类模型来说，重要的是我们做出最终的可视化。为了简单起见，我们将可视化数据集的前 20 幅图像。*
|
||
|
||
```py
|
||
*plt.figure(figsize=(20,20))
|
||
for i in range(20):
|
||
true_label,image = out_test[i],inp_test[i]
|
||
pred_label = np.argmax(pred[i])
|
||
plt.subplot(10,10,i+1)
|
||
plt.xticks([])
|
||
plt.yticks([])
|
||
plt.imshow(image, cmap=plt.cm.binary)
|
||
if pred_label == true_label:
|
||
color = 'green'
|
||
label="Correct Prediction!"
|
||
else:
|
||
color = 'red'
|
||
label="Wrong Prediction!"
|
||
plt.tight_layout()
|
||
plt.title(label,color=color)
|
||
plt.xlabel(" {} -> {} ".format(Labels[true_label],Labels[pred_label]))*
|
||
```
|
||
|
||
*
|
||
|
||
Final Visual Clothes Classification*
|
||
|
||
* * *
|
||
|
||
*感谢您阅读教程。我希望你通过它学到了很多。*
|
||
|
||
*快乐学习！继续阅读，了解更多。*
|
||
|
||
1. *[Python 中的计算精度—分类误差度量](https://www.askpython.com/python/examples/calculating-precision)*
|
||
2. *[采用多种 ML 算法的虹膜数据集分类](https://www.askpython.com/python/examples/iris-dataset-classification)*
|
||
3. *[Python 推荐系统的理论介绍](https://www.askpython.com/python/examples/theory-intro-recommendation-systems)*
|
||
|
||
* * * |