目录
介绍
加载数据集
从Keras加载预训练模型 (VGG16)
下一步
- 下载源 - 120.7 MB
DeepFashion等数据集的可用性为时尚行业开辟了新的可能性。在本系列文章中，我们将展示一个人工智能驱动的深度学习系统，它可以帮助我们更好地了解客户的需求，从而彻底改变时装设计行业。
在这个项目中，我们将使用：
- Jupyter Notebook作为IDE
- 库：
- TensorFlow 2.0
- NumPy
- MatplotLib
- DeepFashion数据集的自定义子集——相对较小以减少计算和内存开销
我们假设您熟悉深度学习的概念，以及Jupyter Notebooks和TensorFlow。如果您是 Jupyter Notebooks的新手，请从本教程开始。欢迎您下载项目代码。
在上一篇文章中，我们讨论了要使用的数据子集，并制定了问题。在本文中，我们将迁移学习应用于VGG16深度网络，以对来自DeepFashion数据集的图像中的衣服进行分类。我们将微调VGG16预训练模型以适应将衣服分为15个不同类别的任务。网络将在包含9,935张图像的子集上进行训练。
加载数据集在这个项目中，我们将使用TensorFlow和Keras对VGG16进行微调，因为Keras提供了用于加载数据、加载预训练模型和微调的易于使用的工具。ImageDataGenerator工具将帮助我们加载、规范化、调整大小和重新缩放数据。
首先，让我们导入我们需要的库：
import os
import matplotlib.pyplot as plt
import matplotlib.image as img
import tensorflow.keras as keras
import numpy as np
import tensorflow as tf
config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))现在我们有了基础知识，让我们导入ImageDataGenerator，添加我们的数据目录，然后开始加载训练和验证数据。验证数据将仅占我们训练数据的10%：我们只需要验证数据在训练期间微调VGG16的超参数。我们在这部分代码中设置了批量大小。您可以设置其值以适合您的机器能力和内存。
datasetdir = r'C:\Users\myuser\Desktop\\DeepFashion\Train'
os.chdir(datasetdir)
from tensorflow.keras.preprocessing.image import ImageDataGenerator
batch_size = 3
def DataLoad(shape, preprocessing):
'''Create the training and validation datasets for
a given image shape.
'''
imgdatagen = ImageDataGenerator(
preprocessing_function = preprocessing,
horizontal_flip = True,
validation_split = 0.1,
)
height, width = shape
train_dataset = imgdatagen.flow_from_directory(
os.getcwd(),
target_size = (height, width),
classes = ['Blazer', 'Blouse', 'Cardigan', 'Dress', 'Jacket',
'Jeans', 'Jumpsuit', 'Romper', 'Shorts', 'Skirts', 'Sweater', 'Sweatpants', 'Tank', 'Tee', 'Top'],
batch_size = batch_size,
subset = 'training',
)
val_dataset = imgdatagen.flow_from_directory(
os.getcwd(),
target_size = (height, width),
classes = ['Blazer', 'Blouse', 'Cardigan', 'Dress', 'Jacket',
'Jeans', 'Jumpsuit', 'Romper', 'Shorts', 'Skirts', 'Sweater', 'Sweatpants', 'Tank', 'Tee', 'Top'],
batch_size = batch_size,
subset = 'validation'
)
return train_dataset, val_dataset现在DalaLoad函数已设置，让我们使用它来提取我们的训练和验证数据，并将图像调整为适合我们预训练模型的形状：224 x 224 x 3。
train_dataset, val_dataset = DataLoad((224,224), preprocessing=vgg16.preprocess_input)我们现在可以在顺序加载单个数据集的图像时将ImageDataGenerator的next函数用作迭代器。使用next，您将分别将训练图像和标签保存在X_train和y_train参数中。您可以将相同的函数应用于验证和测试数据。
# Function for plots images with labels within jupyter notebook
X_train, y_train = next(train_dataset)如您所见，我们有7,656张图像作为训练数据，属于15个不同的类别，以及842张验证图像。
从Keras加载预训练模型 (VGG16)是时候从Keras加载VGG16网络并显示其基线了：
vgg16 = keras.applications.vgg16
conv_model = vgg16.VGG16(weights='imagenet', include_top=False)
conv_model.summary()接下来，我们加载该网络的ImageNet权重，以便我们可以在迁移学习期间使用它们。
conv_model = vgg16.VGG16(weights='imagenet', include_top=False, input_shape=(224,224,3))加载网络基线及其相应的权重后，让我们开始重构VGG16以对15种不同的服装类别进行分类。为此，我们将添加一个展平层、三个100个节点的密集层、一个15层的密集层代表15个服装类别，以及一个Softmax层来显示类别（类别）概率。
# flatten the output of the convolutional part:
x = keras.layers.Flatten()(conv_model.output)
# three hidden layers
x = keras.layers.Dense(100, activation='relu')(x)
x = keras.layers.Dense(100, activation='relu')(x)
x = keras.layers.Dense(100, activation='relu')(x)
# final softmax layer with 15 categories
predictions = keras.layers.Dense(15, activation='softmax')(x)
# creating the full model:
full_model = keras.models.Model(inputs=conv_model.input, outputs=predictions)
full_model.summary()
在接下来的文章中，我们将向你展示如何训练VGG19以认识人们穿的什么衣服。敬请关注！
https://www.codeproject.com/Articles/5297322/Preparing-Data-for-AI-Fashion-Classification
