def main(args):
# jsonファイルから学習モデルのパラメータを取得する
p = ['unit', 'shape', 'shuffle_rate', 'actfun1', 'actfun2']
unit, shape, sr, af1, af2 = G.jsonData(args.param, p)
af1 = G.actfun(af1)
af2 = G.actfun(af2)
ch, size = shape[:2]
# 学習モデルを生成する
model = L.Classifier(
JC(n_unit=unit, n_out=ch, rate=sr, actfun1=af1, actfun2=af2)
)
# load_npzのpath情報を取得し、学習済みモデルを読み込む
load_path = F.checkModelType(args.model)
try:
chainer.serializers.load_npz(args.model, model, path=load_path)
except:
import traceback
traceback.print_exc()
print(F.fileFuncLine())
exit()
# GPUの設定
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
# else:
# model.to_intel64()
# 高圧縮画像の生成
org_imgs = I.io.readN(args.jpeg, ch)
ed_imgs = [encDecWrite(img, ch, args.quality, args.out_path, i)
for i, img in enumerate(org_imgs)]
imgs = []
with chainer.using_config('train', False):
# 学習モデルを入力画像ごとに実行する
for i, ei in enumerate(ed_imgs):
img = predict(
model, I.cnv.splitSQ(ei, size),
args.batch, ei.shape, sr, args.gpu
)
# 生成結果を保存する
name = F.getFilePath(
args.out_path, 'comp-' + str(i * 10 + 1).zfill(3), '.jpg'
)
print('save:', name)
cv2.imwrite(name, img)
imgs.append(img)
# オリジナル、高圧縮、推論実行結果を連結して保存・表示する
c3i = [concat3Images([i, j, k], 50, 333, ch, 1)
for i, j, k in zip(org_imgs, ed_imgs, imgs)]
for i, img in enumerate(c3i):
path = F.getFilePath(
args.out_path, 'concat-' + str(i * 10).zfill(3), '.jpg'
)
cv2.imwrite(path, img)
cv2.imshow(path, img)
cv2.waitKey()
def main(args):
# jsonファイルから学習モデルのパラメータを取得する
n_out, n_unit, actfun = GET.jsonData(args.param,
['n_out', 'n_unit', 'actfun'])
# 学習モデルを生成する
model = L.Classifier(
CNT(n_out, n_unit, GET.actfun(actfun), base=L.ResNet50Layers(None)))
# load_npzのpath情報を取得し、学習済みモデルを読み込む
load_path = F.checkModelType(args.model)
try:
chainer.serializers.load_npz(args.model, model, path=load_path)
except:
import traceback
traceback.print_exc()
print(F.fileFuncLine())
exit()
# GPUの設定
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
# else:
# model.to_intel64()
# 画像の生成
if (args.human_num < 0):
h_num = np.random.randint(0, 4)
else:
h_num = args.human_num
if args.image == '':
x = create(args.other_path, args.human_path, args.background_path,
args.obj_size, args.img_size, args.obj_num, h_num, 1)[0]
print(x.shape)
elif IMG.isImgPath(args.image):
x = cv2.cvtColor(cv2.imread(args.image, IMG.getCh(0)),
cv2.COLOR_RGB2BGR)
else:
print('input image path is not found:', args.image)
exit()
t = img2resnet(np.array(x))
# 学習モデルを実行する
with chainer.using_config('train', False):
st = time.time()
y = model.predictor(t)
num = y[0].data.argmax()
print('exec time: {0:.2f}[s]'.format(time.time() - st))
print('result:', num)
# 生成結果を保存する
name = F.getFilePath(args.out_path, 'predict-' + str(num).zfill(2), '.jpg')
print('save:', name)
cv2.imwrite(name, x)
cv2.imshow(name, x)
cv2.waitKey()
def main(args):
# jsonファイルから学習モデルのパラメータを取得する
net, unit, ch, size, layer, sr, af1, af2 = GET.modelParam(args.param)
# 学習モデルを生成する
if net == 0:
from Lib.network import JC_DDUU as JC
else:
from Lib.network2 import JC_UDUD as JC
model = L.Classifier(
JC(n_unit=unit, n_out=1, rate=sr, actfun1=af1, actfun2=af2))
# load_npzのpath情報を取得し、学習済みモデルを読み込む
load_path = F.checkModelType(args.model)
try:
chainer.serializers.load_npz(args.model, model, path=load_path)
except:
import traceback
traceback.print_exc()
print(F.fileFuncLine())
exit()
# GPUの設定
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
else:
model.to_intel64()
# 高圧縮画像の生成
org_imgs = [
cv2.imread(name, IMG.getCh(ch)) for name in args.jpeg
if IMG.isImgPath(name)
]
imgs = []
# 学習モデルを入力画像ごとに実行する
for i, ei in enumerate(org_imgs):
with chainer.using_config('train', False):
img = predict(model, IMG.splitSQ(ei, size), args.batch, ei.shape,
sr, args.gpu)
imgs.append(IMG.resize(img, args.out_rate))
for img in imgs:
cv2.imshow('view', img)
cv2.waitKey()
# 生成結果を保存する
name = F.getFilePath(args.out_path, 'comp-' + str(i * 10 + 1).zfill(3),
'.jpg')
print('save:', name)
cv2.imwrite(name, img)
def main(args):
# スナップショットとモデルパラメータのパスを取得する
snapshot_path, param = getSnapshotAndParam(args.snapshot_and_json)
# jsonファイルから学習モデルのパラメータを取得する
p = ['unit', 'shape', 'shuffle_rate', 'actfun1', 'actfun2']
unit, shape, sr, af1, af2 = G.jsonData(param, p)
af1 = G.actfun(af1)
af2 = G.actfun(af2)
ch, size = shape[:2]
# 推論実行するために画像を読み込んで結合する
img = getImage(args.jpeg, ch, size, args.img_num, args.random_seed)
# 学習モデルを生成する
model = L.Classifier(
JC(n_unit=unit, n_out=ch, rate=sr, actfun1=af1, actfun2=af2)
)
out_imgs = [img]
for s in snapshot_path:
print(s)
# load_npzのpath情報を取得する
load_path = F.checkModelType(s)
# 学習済みモデルの読み込み
try:
chainer.serializers.load_npz(s, model, path=load_path)
except:
import traceback
traceback.print_exc()
print(F.fileFuncLine())
exit()
# GPUの設定
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
else:
model.to_intel64()
# 学習モデルを入力画像ごとに実行する
ed = encDecWrite(img, ch, args.quality)
with chainer.using_config('train', False):
out_imgs.append(
predict(model, I.cnv.splitSQ(ed, size),
args.batch, ed.shape, sr, args.gpu)
)
# 推論実行した各画像を結合してサイズを調整する
img = stackImages(out_imgs, args.img_rate)
# 生成結果の表示
cv2.imshow('predict some snapshots', img)
cv2.waitKey()
# 生成結果の保存
cv2.imwrite(F.getFilePath(args.out_path, 'snapshots.jpg'), img)
def main(args):
# jsonファイルから学習モデルのパラメータを取得する
net, unit, ch, size, layer, sr, af1, af2 = GET.modelParam(args.param)
# 学習モデルを生成する
model = L.Classifier(
JC(n_unit=unit, n_out=ch, rate=sr, actfun1=af1, actfun2=af2))
# load_npzのpath情報を取得し、学習済みモデルを読み込む
load_path = F.checkModelType(args.model)
try:
chainer.serializers.load_npz(args.model, model, path=load_path)
except:
import traceback
traceback.print_exc()
print(F.fileFuncLine())
exit()
# GPUの設定
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
else:
model.to_intel64()
# 画像の生成
if args.image == '':
x, _ = create(args.other_path, args.human_path, args.background_path,
args.obj_size, args.img_size, args.obj_num, 1, 1)
elif IMG.isImgPath(args.image):
x = cv2.imread(args.image, IMG.getCh(0))
w, h = x.shape[:2]
x = np.array(x).reshape(1, w, h, -1)
else:
print('input image path is not found:', args.image)
exit()
# 学習モデルを実行する
with chainer.using_config('train', False):
img = IMG.resize(predict(model, x, args.batch, args.gpu), 1 / sr)
# 生成結果を保存する
name = F.getFilePath(args.out_path, 'predict', '.jpg')
print('save:', name)
img = np.hstack([x[0], img])
cv2.imwrite(name, img)
cv2.imshow(name, img)
cv2.waitKey()
def main(args):
# jsonファイルから学習モデルのパラメータを取得する
n_out, n_unit, actfun = GET.jsonData(args.param,
['n_out', 'n_unit', 'actfun'])
# 学習モデルを生成する
model = L.Classifier(
CNT(n_out, n_unit, GET.actfun(actfun), base=L.ResNet50Layers(None)))
# load_npzのpath情報を取得し、学習済みモデルを読み込む
load_path = FNC.checkModelType(args.model)
try:
chainer.serializers.load_npz(args.model, model, path=load_path)
except:
import traceback
traceback.print_exc()
print(FNC.fileFuncLine())
exit()
# GPUの設定
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
xp = cupy
else:
xp = np
# model.to_intel64()
# 画像の生成
x = []
t = []
for i in range(n_out):
x.extend(
create(args.other_path, args.human_path, args.background_path,
args.obj_size, args.img_size, args.obj_num, i,
args.img_num))
t.extend([i] * args.img_num)
x = imgs2resnet(np.array(x), xp)
t = xp.array(t, dtype=np.int8)
print(x.shape, t.shape)
# 学習モデルを実行する
with chainer.using_config('train', False):
st = time.time()
y = model.predictor(x)
print('exec time: {0:.2f}[s]'.format(time.time() - st))
# 適合率（precisiton）と再現率（recall）とF値を検証する
# precision: 正解の人数を答えたうち、本当に正解の人数だった確率
# （正解が一人の場合に）別の人数を回答すると下がる
# recall: 正解の人数に対して、本当に正解の人数を答えられた確率
# （正解が一人でない場合に）一人だと回答すると下がる
# F score: 2/((1/recall)+(1/precision))
print('t:', t)
print('y:', y.data.argmax(axis=1))
p, r, f, _ = F.classification_summary(y, t)
precision = p.data.tolist()
recall = r.data.tolist()
F_score = f.data.tolist()
print('num|precision|recall|F')
[
print('{0:3}| {1:4.3f}| {2:4.3f}| {3:4.3f}'.format(
i, elem[0], elem[1], elem[2]))
for i, elem in enumerate(zip(precision, recall, F_score))
]