training

.gitignore

@@ -6,3 +6,6 @@ __pycache__/
 
 #macOS
 .DS_Store
+
+#uczenie
+dataset/

adamski_raport.md

@@ -1,5 +1,5 @@
 ## Podprojekt Jakub Adamski
-Wykrywanie rodzaju rośliny w danym polu, na którym znajduje się traktor.
+Wykrywanie rodzaju rośliny na danym polu, w którym znajduje się traktor.
 
 ## Spis treści
 * [Wykorzystana technologia](#wykorzystana-technologia)
@@ -11,19 +11,19 @@ Wykrywanie rodzaju rośliny w danym polu, na którym znajduje się traktor.
 
 ## Wykorzystana technologia
 W projekcie wykorzystuję sieć neuronową. Jest to klasyfikator obiektów, oparty na modelu MobileNetV2. MobileNet to wysoce zoptymalizowana struktura pozwalająca na rozpoznawanie obiektów. <br>
-Składa się z warstw: CNN - convolutional neural network do wyodrębnienia cech charakterystycznych z obrazka oraz jednej warstwy dense, złozonej z duzej ilosci neuronow, które produkują finalny wynik na podstawie wyniku z CNN.
+Składa się z warstw: CNN - convolutional neural network do wyodrębnienia cech charakterystycznych z obrazka oraz jednej warstwy dense, złozonej z 4 neuronow (ilosc obiektow w moim projekcie), które produkują finalny wynik na podstawie wyniku z CNN.
 
 ## Dane
-Trenowanie klasyfikatorów od zera jest bardzo czasochłonne. Zazwyczaj zajmuje nawet kilka dni, nie wspominając o zgromadzeniu bardzo duzej ilosci zdjęć - najlepiej klika milionów. <br>
-Z tego powodu wykorzystuję, gotową, wytrenowaną sieć na zbiorze danych imagenet. Do uruchomienia urzywam pakietu keras dostępnego w bibliotece tensorflow. Tensorflow to rozbudowany zestaw narzędzi do machine learningu, keraz to nakładka ułatwijąca uzywanie tego frameworku.
+Zgromadzone zdjecia dostepne sa tutaj: [link](). Dane zbierałem za pomocą wyszukiwarki google, następnie pogrupowałem według klas. Ostatnie 20 warstw sieci jest wytrenowana w pliku net_training.py, pierwsze warstwy są uczone na zbiorze danych imagenet - zmienna base_model. <br>
+Do uruchomienia uzywam pakietu keras dostępnego w bibliotece tensorflow. Tensorflow to rozbudowany zestaw narzędzi do machine learningu, keraz to nakładka ułatwijąca uzywanie tego frameworku.
 
 ## Kod
 Klasyfikator działa w głównej pętli while w pliku main.py. Uruchamia się gdy traktor (niebieski kwadrat) zmieni swoją lokalizację. Zdjęcia przypisane do danej kratki są dobierane losowo. W finalnej wersji zdjęć będzie więcej - folder imgs/. <br>
 Gdy klasyfikator zakończy swoje działanie, w konsoli pojawia się najbardziej prawdopodobny obiekt znajdujący się na zdjęciu. Zdjęcie pojawia się w osobnym oknie. Po zamknięciu okna mozemy kontynuować sterowanie traktorem za pomocą strzałek.
 
 ## Działanie
-W finalnej wersji łączącej wszytkie podprojekty mozna dodatkowo dołączyć walidację otrzymanego wyniku na podstawie nazwy zdjęcia. <br>
-![ss]("./ss/adamski1.png")
+![uczenie]("./ss/adamski2.png") <br>
+![dzialanie]("./ss/adamski1.png")
 
 
 ## Uruchomienie
@@ -34,9 +34,7 @@ https://docs.anaconda.com/mkl-optimizations/
 
 ## Notatki
 Lista obiektów:
-- pumpkin/dynia ok - spaghetti_squash
-- cabbage/kapusta ok - head_cabbage
-- mushchroom/grzyb ok - mushroom
-- cauliflower/kalafior ok - cauliflower
-- ziemniak NIE ROZPOZNAL
-- marchewka NIE ROZPOZNAL
+- pumpkin/dynia 
+- cabbage/kapusta 
+- mushroom/grzyb
+- cauliflower/kalafior

main.py

@@ -4,6 +4,7 @@ import dijkstra as di
 
 import matplotlib.pyplot as plt
 from tensorflow.keras.preprocessing import image
+from tensorflow.keras.models import load_model
 from tensorflow.keras.applications import MobileNetV2
 from tensorflow.keras.applications.mobilenet import preprocess_input, decode_predictions
 import numpy as np
@@ -49,7 +50,7 @@ class Game(object):
             imgs.append(img_dir + '/' + random.choice(os.listdir(img_dir)))
 
         #model do rozpoznawania
-        model = MobileNetV2(input_shape=None, alpha=1.0, include_top=True, weights="imagenet", input_tensor=None, pooling=None, classes=1000)
+        model = load_model('moj_model.h5')
 
         #inicjalizacja
         pygame.init()
@@ -138,8 +139,7 @@ class Game(object):
                 #detektor roslin, 5 rezultatow
                 plt.imshow(img)
                 preds = model.predict(x)
-                decoded = decode_predictions(preds, top=1)
-                print(decoded)
+                print("kapusta, kalafior, grzyb, dynia\n {}\n".format(preds) )
                 plt.show()
                     
 

net_training.py

@@ -0,0 +1,36 @@
+import matplotlib.pyplot as plt
+from tensorflow.keras.preprocessing.image import ImageDataGenerator
+from tensorflow.keras.applications import MobileNetV2
+from tensorflow.keras.applications.mobilenet import preprocess_input, decode_predictions
+from tensorflow.keras.layers import Dense
+from tensorflow.keras.models import Model
+import numpy as np
+import os, random
+
+#podstawa modelu
+base_model = MobileNetV2(include_top=False, weights="imagenet", pooling='avg')
+
+#model
+x=base_model.output
+preds=Dense(4,activation='softmax')(x)
+model=Model(inputs=base_model.input,outputs=preds)
+
+#tylko ostatnie 20 warstw uczymy
+for layer in model.layers[:20]:
+    layer.trainable=False
+for layer in model.layers[20:]:
+    layer.trainable=True
+
+#generator obrazkow
+train_datagen=ImageDataGenerator(preprocessing_function=preprocess_input)
+
+train_generator=train_datagen.flow_from_directory('./dataset', target_size=(224,224), color_mode='rgb', batch_size=32, class_mode='categorical', shuffle=True)
+
+
+#uczenie //to dzielenie i podloga
+model.compile(optimizer='Adam',loss='categorical_crossentropy',metrics=['accuracy'])
+step_size_train=train_generator.n//train_generator.batch_size
+model.fit_generator(generator=train_generator, steps_per_epoch=step_size_train, epochs=10)
+
+#zapis
+model.save('moj_model.h5')