def get_total_data_path(self, data_dir):
total_paths, defect_lbs, lacuna_lbs, spoke_lbs, spot_lbs = [], [], [], [], [] # 이미지 path와 정답(label) 세트를 저장할 list
image_paths = sorted(list(paths.list_images(data_dir)))
for image_path in image_paths:
# a. 이미지 전체 파일 path 저장
total_paths.append(image_path)
# b. 이미지 파일 path에서 이미지의 정답(label) 세트 추출
(defect, lacuna, spoke,
spot) = image_path.split(os.path.sep)[-2].split("_")
defect_lbs.append(defect)
lacuna_lbs.append(lacuna)
spoke_lbs.append(spoke)
spot_lbs.append(spot)
defect_lbs = np.array(defect_lbs)
lacuna_lbs = np.array(lacuna_lbs)
spoke_lbs = np.array(spoke_lbs)
spot_lbs = np.array(spot_lbs)
defect_lbs = LabelBinarizer().fit_transform(defect_lbs)
lacuna_lbs = LabelBinarizer().fit_transform(lacuna_lbs)
spoke_lbs = LabelBinarizer().fit_transform(spoke_lbs)
spot_lbs = LabelBinarizer().fit_transform(spot_lbs)
return total_paths, defect_lbs, lacuna_lbs, spoke_lbs, spot_lbs
def test_load_data(dir=dir):
print("[INFO] 학습할 이미지 로드 (로드시 경로들 무작위로 섞음)")
imagePaths = sorted(list(paths.list_images(dir)))
random.seed(42)
random.shuffle(imagePaths)
# data()와 labels 초기화
datas = [] # 이미지 파일을 array 형태로 변환해서 저장할 list
labels = [] # 해당 이미지의 정답(label) 세트를 저장할 list
print("[INFO] 모든 이미지에 대하여 이미지 데이터와 라벨을 추출 ..")
for imagePath in imagePaths:
# a. 이미지를 로드하고, 전처리를 한 후 데이터 목록에 저장
image = cv2.imread(imagePath)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image = cv2.resize(image, (FLG.HEIGHT, FLG.WIDTH))
image = img_to_array(image)
datas.append(image)
# b. 이미지 파일명에서 이미지의 정답(label) 세트 추출
label = imagePath.split(os.path.sep)[-2]
labels.append(label)
print("[INFO] scale the raw pixel 의 밝기값을 [0, 1]으로 조정하고 np.array로 변경")
x_val = np.array(datas, dtype="float") / 255.0
y_val = np.array(labels)
y_val = ImageGenerator.encode_one_hot(1, y_val)
return x_val, y_val
def get_total_data_path(self, data_dir):
total_paths, total_labels = [], [] # 이미지 path와 정답(label) 세트를 저장할 list
image_paths = sorted(list(paths.list_images(data_dir)))
for image_path in image_paths:
total_paths.append(image_path)
label = image_path.split(os.path.sep)[-2]
total_labels.append(label)
return total_paths, total_labels
def get_total_data_path(self, data_dir):
total_paths, total_labels = [], [] # 이미지 path와 정답(label) 세트를 저장할 list
image_paths = sorted(list(paths.list_images(data_dir)))
for image_path in image_paths:
# a. 이미지 전체 파일 path 저장
total_paths.append(image_path)
# b. 이미지 파일 path에서 이미지의 정답(label) 세트 추출
label = image_path.split(os.path.sep)[-2]
total_labels.append(label)
print('total_paths : ' + str(len(total_paths)))
print('total_labels : ' + str(len(total_labels)))
return total_paths, total_labels
def get_total_data_path(self, data_dir):
total_paths, total_labels = [], [] # 이미지 path와 정답(label) 세트를 저장할 list
image_paths = sorted(list(paths.list_images(data_dir)))
for image_path in image_paths:
# a. 이미지 전체 파일 path 저장
total_paths.append(image_path)
# b. 이미지 파일 path에서 이미지의 정답(label) 세트 추출
label = image_path.split(os.path.sep)[-2]
total_labels.append(label)
total_labels = np.array(total_labels)
lb = LabelBinarizer()
total_labels = lb.fit_transform(total_labels)
return total_paths, total_labels
def load_data(dir=dir):
print("[INFO] 학습할 이미지 로드 (로드시 경로들 무작위로 섞음)")
imagePaths = sorted(list(paths.list_images(dir)))
random.seed(42)
random.shuffle(imagePaths)
# data()와 labels 초기화
datas = [] # 이미지 파일을 array 형태로 변환해서 저장할 list
labels = [] # 해당 이미지의 정답(label) 세트를 저장할 list
print("[INFO] 모든 이미지에 대하여 이미지 데이터와 라벨을 추출 ..")
for imagePath in imagePaths:
#print(imagePath)
# a. 이미지를 로드하고, 전처리를 한 후 데이터 목록에 저장
image = cv2.imread(imagePath)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image = DataLoader.img_preprocess(image)
image = img_to_array(image)
datas.append(image)
# b. 이미지 파일명에서 이미지의 정답(label) 세트 추출
label = imagePath.split(os.path.sep)[-2]
labels.append(label)
print("[INFO] scale the raw pixel 의 밝기값을 [0, 1]으로 조정하고 np.array로 변경")
data = np.array(datas, dtype="float") / 255.0
labels = np.array(labels)
print("[INFO] data matrix: {} images ({:.2f}MB)".format(
len(imagePaths), data.nbytes / (1024 * 1000.0)))
# 훈련 용 데이터의 80 %와 시험용 나머지 20 %를 사용하여 데이터를 훈련 및 테스트 분할로 분할
(x_train, x_val, y_train, y_val) = train_test_split(data,
labels,
test_size=0.2,
random_state=42)
lb = LabelBinarizer()
y_train = lb.fit_transform(y_train)
y_val = lb.transform(y_val) # fit_transform??????????
return x_train, y_train, x_val, y_val, lb
input_shape = (FLG.DEPTH, FLG.HEIGHT, FLG.WIDTH)
# model = MobileNetBuilder.build_mobilenet_v2(input_shape=input_shape, classes=2)
model = SmallerVGGNet.build(width=FLG.WIDTH, height=FLG.HEIGHT, depth=FLG.DEPTH, classes=2, finalAct="softmax")
h5_weights_path = 'output/backup/smallvgg_defect_padding200_32/modelsaved/h5/smallvgg_defect_padding200_32_weights.h5'
# h5_weights_path = 'output/a_defect_x4_300_32/modelsaved/h5/a_defect_x4_200_32_weights.h5'
model.load_weights(h5_weights_path)
model.compile(loss=categorical_crossentropy, optimizer='rmsprop', metrics=['accuracy'])
datas = []
origs = []
data_dir = 'D:/2. data/iris_pattern/test_image/22'
imagePaths = sorted(list(paths.list_images(data_dir)))
for imagePath in imagePaths:
image = cv2.imread(imagePath)
# image = findRegion(image)
image = img_padding_2(image)
origs.append(image.copy())
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image = img_to_array(image)
datas.append(image)
data = np.array(datas, dtype="float") / 255.0
predictions = model.predict(data, batch_size=FLG.BATCH_SIZE)
# 그라디언트 클래스 활성화 맵을 초기화하고 히트 맵을 빌드
def load_data_test_train(data_dir):
print("[INFO] 학습할 이미지 로드 (로드시 경로들 무작위로 섞음)")
imagePaths = sorted(list(paths.list_images(data_dir)))
random.seed(42)
random.shuffle(imagePaths)
# data()와 labels 초기화
datas = [] # 이미지 파일을 array 형태로 변환해서 저장할 list
defectLabels = [] # 해당 이미지의 정답(label) 세트를 저장할 list
lacunaLabels = [] # 해당 이미지의 정답(label) 세트를 저장할 list
spokeLabels = [] # 해당 이미지의 정답(label) 세트를 저장할 list
spotLabels = [] # 해당 이미지의 정답(label) 세트를 저장할 list
print("[INFO] 모든 이미지에 대하여 이미지 데이터와 라벨을 추출 ..")
for imagePath in imagePaths:
# a. 이미지를 로드하고, 전처리를 한 후 데이터 목록에 저장
image = cv2.imread(imagePath)
image = DataLoader.img_preprocess(image)
image = img_to_array(image)
datas.append(image)
# b. 이미지 파일명에서 이미지의 정답(label) 세트 추출
(defect, lacuna, spoke,
spot) = imagePath.split(os.path.sep)[-2].split("_")
defectLabels.append(defect)
lacunaLabels.append(lacuna)
spokeLabels.append(spoke)
spotLabels.append(spot)
print("[INFO] scale the raw pixel 의 밝기값을 [0, 1]으로 조정하고 np.array로 변경")
data = np.array(datas, dtype="float") / 255.0
print("[INFO] data matrix: {} images ({:.2f}MB)".format(
len(imagePaths), data.nbytes / (1024 * 1000.0)))
defectLabels = np.array(defectLabels)
lacunaLabels = np.array(lacunaLabels)
spokeLabels = np.array(spokeLabels)
spotLabels = np.array(spotLabels)
print("[INFO] binarize both sets of labels..")
defectLB = LabelBinarizer()
lacunaLB = LabelBinarizer()
spokeLB = LabelBinarizer()
spotLB = LabelBinarizer()
defectLabels = defectLB.fit_transform(defectLabels)
lacunaLabels = lacunaLB.fit_transform(lacunaLabels)
spokeLabels = spokeLB.fit_transform(spokeLabels)
spotLabels = spotLB.fit_transform(spotLabels)
# loop over each of the possible class labels and show them
for (i, label) in enumerate(defectLB.classes_):
print("{}. {}".format(i + 1, label))
print(defectLB.classes_)
for (i, label) in enumerate(lacunaLB.classes_):
print("{}. {}".format(i + 1, label))
print(lacunaLB.classes_)
for (i, label) in enumerate(spokeLB.classes_):
print("{}. {}".format(i + 1, label))
print(spokeLB.classes_)
for (i, label) in enumerate(spotLB.classes_):
print("{}. {}".format(i + 1, label))
print(spotLB.classes_)
return data, defectLabels, lacunaLabels, spokeLabels, spotLabels, defectLB, lacunaLB, spokeLB, spotLB
classes=FLG.CLASS_NUM,
finalAct="softmax")
h5_weights_path = 'output/smallervgg_0721_1400_5_200/model_saved/smallervgg_0721_1400_5_200_weight.h5'
model.load_weights(h5_weights_path)
model.compile(loss=categorical_crossentropy,
optimizer='rmsprop',
metrics=['accuracy'])
datas = []
origs = []
src_dir = 'D:/2. data/js_15angle/mask_blue_1'
dst_dir = 'D:/2. data/js_15angle/predicted_mask/'
imagePaths = sorted(list(paths.list_images(src_dir)))
for imagePath in imagePaths:
image = cv2.imread(imagePath)
image = cv2.resize(image, (FLG.HEIGHT, FLG.WIDTH))
origs.append(image.copy())
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image = img_to_array(image)
datas.append(image)
data = np.array(datas, dtype="float") / 255.0
preds = model.predict(data, batch_size=FLG.BATCH_SIZE)
label_lists = ['defect', 'lacuna', 'normal', 'spoke', 'spot']
print(">> move images")
for i, prediction in enumerate(preds):
