def get_resultados(ubicacion):
try:
if os.path.isdir(ubicacion):
r = contenidos(ubicacion, filter_ext='.txt')[0]
except (IndexError, NotADirectoryError):
print(ubicacion, ' no contenía resultados')
return
return extraigo(r)
input_img_data = np.random.random(
(1, *modelo.input_shape[1:]
)) * 20 + 128. #la imagen arranca siendo gris ruidoso
step = 1. #tamaño del avance del gradiente
for _ in range(iteraciones): #itero [iteraciones] veces
loss_value, grads_value = iterate([input_img_data])
input_img_data += grads_value * step #nuevo input corrigiendo con el gradiente
img = input_img_data[0]
return bitificar8(img, 0.1)
#%% Grafico filtros
for carpeta in contenidos(ubicacion):
# Nomres de las capas convolutivas
print('Corriendo', os.path.basename(carpeta))
modelo = load_model(os.path.join(carpeta, nombre_modelo))
nombres = [l.name for l in modelo.layers if 'conv' in l.name]
# Carpeta donde guarda las imagenes de los filtros
# save_dir = make_dirs_noreplace(os.path.join(
# 'filtros', os.path.splitext(nombre_modelo)[0]))
save_dir = os.path.join(carpeta, 'filtros')
os.makedirs(save_dir)
# Itero sobre todos los filtros de las capas convolutivas
for capa_ind, nombre in enumerate(nombres):
print('Corriendo capa ' + nombre)
@author: Marcos
"""
import os
import numpy as np
from keras.models import load_model
from keras.preprocessing import image
#from keras.preprocessing.image import ImageDataGenerator
from utils import contenidos
model_dir = 'modelos'
modelos = contenidos(model_dir)
modelos.print_orden()
modo = 'pad'
ori_dir_chin = os.path.join('nuevos', 'originales', 'sonos', modo, 'chingolo')
ori_dir_bent = os.path.join('nuevos', 'originales', 'sonos', modo, 'benteveo')
def cargar_imagen(im_path):
img = image.load_img(im_path, target_size=im_size, grayscale=True)
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
return x
#%%
import os
import linecache
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from utils import contenidos, find_numbers, load_img
ubi = 'modelos'
modelos = contenidos(ubi)
def extraigo(file):
nr_lineas = (76, 81)
lineas = []
for l in range(*nr_lineas):
lineas.append(linecache.getline(file, l))
# print(lineas)
resultados = {}
# Matriz de confusión
resultados['mc'] = np.array(
[find_numbers(lineas.pop(0)),
find_numbers(lineas.pop(0))])
# Métricas
for l in lineas:
l = l[:-1] #corto el \n
# test_generator = test_datagen.flow_from_directory(test_dir, **generator_params)
# test_loss, test_acc = model.evaluate_generator(test_gen)
# print('Test accuracy: ', test_acc)
# =========================
# Pruebo con los originales
def cargar_imagen(im_path):
img = image.load_img(im_path, target_size=im_size, grayscale=True)
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
return x
categorias = {k: v for v, k in train_generator.class_indices.items()}
imgs_paths = contenidos(ori_dir)
for path in imgs_paths:
x = cargar_imagen(path)
preds = model.predict(x)
preds = np.squeeze(preds)
print(os.path.basename(path))
print('{}: {:.0f}% \t {}: {:.0f}%'.format(categorias[0], preds[0] * 100,
categorias[1], preds[1] * 100))
# =========================
# Testeo para cantos reales
ori_dir_chin = os.path.join('nuevos', 'originales', 'sonos', MODO, 'chingolo')
ori_dir_bent = os.path.join('nuevos', 'originales', 'sonos', MODO, 'benteveo')
resultados = {'bent': [], 'ching': []}
paths = {'bent': ori_dir_bent, 'ching': ori_dir_chin}
# preds = np.squeeze(preds)
# print(os.path.basename(path))
# print('{}: {:.0f}% \t {}: {:.0f}%'.format(categorias[0], preds[0]*100, categorias[1], preds[1]*100))
# =========================
# Testeo para cantos reales
ori_dir_chin = os.path.join(test_dir, 'chingolo')
ori_dir_bent = os.path.join(test_dir, 'benteveo')
resultados = {'bent':[], 'ching':[]}
paths = {'bent':ori_dir_bent, 'ching':ori_dir_chin}
with open(nombre_guardado + '/resultados.txt', 'w') as resultados_out:
for pajaro in paths:
print(pajaro.upper(), file=resultados_out)
print('', file=resultados_out)
for i, path in enumerate(contenidos(paths[pajaro])):
x = cargar_imagen(path)
preds = model.predict(x)
preds = np.squeeze(preds)
resultados[pajaro].append(preds)
print(i, '{}: {:.0f}% \t {}: {:.0f}%'.format(
categorias[0], preds[0]*100, categorias[1], preds[1]*100),
file=resultados_out)
print('', file=resultados_out)
# Confusion matrix
cm = np.array(
[[sum((b>c for b, c in resultados['bent'])), sum((b<c for b, c in resultados['bent']))],
def mover(origen, destino, cant, subcarpeta='train'):
'''los archivos en la carpeta train de origen se van a destino (validate o test) correspondiente.'''
for file in contenidos(origen)[-cant:]:
destino = file.replace(subcarpeta, destino)
os.rename(file, destino)
elif modo == 'center':
s.cut_or_extend(centered=True)
s.guardar(ubicacion=destino)
def mover(origen, destino, cant, subcarpeta='train'):
'''los archivos en la carpeta train de origen se van a destino (validate o test) correspondiente.'''
for file in contenidos(origen)[-cant:]:
destino = file.replace(subcarpeta, destino)
os.rename(file, destino)
ubicacion_cantos = 'nuevos/originales/xenocanto/nuevos (temp)/bent/cortados'
#ubicacion_cantos = 'nuevos/originales/xenocanto/nuevos (temp)/ching/cortados'
originales = contenidos(ubicacion_cantos, filter_ext='.wav')
originales.print_orden()
DURACION = 1.8 # tomado de la síntesis de chingolos, el más largo de los dos
#%%
#elegidos = [2, 7, 3, 5]
#elegidos = range(1, 9) #para chingolo: fallan el 3 y 5
elegidos = range((len(originales))) # chingolo fallan 24 y 28
for modo in modos:
for k in elegidos:
sonido = originales[k]
try:
if 'bent' in sonido.lower():
procesar_benteveo(sonido,
carpeta_de_llegada_bent(modo),
# -*- coding: utf-8 -*-
"""
Created on Mon Aug 5 11:50:30 2019
@author: Marcos
"""
import os
from utils import load_img, contenidos
target_dir = r'D:\Facu\Tesis\Códigos\Tesis\byc\sintetizados\as_loaded'
c = contenidos(r'D:\Facu\Tesis\Códigos\Tesis\byc\sintetizados\dnn\train_pad')
c.extend(
contenidos(
r'D:\Facu\Tesis\Códigos\Tesis\byc\sintetizados\dnn\originales_pad'))
#%%
tipo = 'train', 'train', 'ori', 'ori'
for path, t in zip(c, tipo):
i = load_img(path, target_size=(300, 200), color_mode='grayscale')
nombre = os.path.join(target_dir, '_'.join((t, (os.path.basename(path)))))
i.save(nombre)
# print(nombre)
#%%
oris_act = contenidos(r'D:\Facu\Tesis\Códigos\Tesis\byc\modelos\byc_peque_pad')
oris_bent = contenidos(
r'D:\Facu\Tesis\Códigos\Tesis\byc\nuevos\originales\sonos\pad\benteveo')
oris_chin = contenidos(
r'D:\Facu\Tesis\Códigos\Tesis\byc\nuevos\originales\sonos\pad\chingolo')
from keras import models
from keras.preprocessing import image
from utils import contenidos, Grid, new_name
modo = 'pad'
train_dir_bent = os.path.join('sintetizados', 'dnn', modo, 'train', 'benteveo')
train_dir_chin = os.path.join('sintetizados', 'dnn', modo, 'train', 'chingolo')
ori_dir_chin = os.path.join('nuevos', 'originales', 'sonos', modo, 'chingolo')
ori_dir_bent = os.path.join('nuevos', 'originales', 'sonos', modo, 'benteveo')
model_dir = 'modelos'
modelos = contenidos(model_dir)
modelos.print_orden()
im_size = (300, 200)
def cargar_imagen(im_path):
img = image.load_img(im_path, target_size=im_size, color_mode="grayscale")
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
return x
def bitificar8(im, desv=1):
#normalizo la imagen
im -= im.mean()
s.cut_or_extend()
s.guardar(ubicacion=destino)
def mover(origen, destino, cant, subcarpeta='train'):
'''los archivos en la carpeta train de origen se van a destino (validate o test) correspondiente.'''
for file in contenidos(origen)[-cant:]:
path_destino = file.replace(subcarpeta, destino)
os.rename(file, path_destino)
#%%
DURACION = 1.8 # tomado de la síntesis de chingolos, el más largo de los dos
for file in contenidos(carpeta_de_salida_bent):
for modo in modos: #lo hago en los tres modos
procesar_benteveo(file,
destino=carpeta_de_llegada_bent(modo),
dur=DURACION,
modo=modo)
for file in contenidos(carpeta_de_salida_ching):
procesar_chingolo(file,
destino=carpeta_de_llegada_ching('pad'),
dur=DURACION)
#copio los chingolos a las carpetas de los tres modos
for modo in modos[1:]:
for file in contenidos(carpeta_de_llegada_ching('pad')):
copyfile(file, file.replace('pad', modo))