Register as a new user and use Qiita more conveniently You get articles that match your needsYou can efficiently read back useful informationYou can use dark themeWhat you can do with signing up
![Kerasによる、ものすごくシンプルな画像分類(りんごとオレンジ) - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/03feacbc8c683ddddc2e6daff8354f861649041f/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBoaXJvZW9yeiU0MGdpdGh1YiZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NWU0NGFhNWUwZWY0ZjU4MmNjM2U5MDAzODNmNjE1ZmI%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Dbd244cc8f701448bb05c8b462798b65e)
他人のデータのMNISTとかばっかりやっても全く面白くない! 自分で集めたデータで機械学習したい! 貴重な説明が以下にあったので、写経してみる! Kerasによる、ものすごくシンプルな画像分類(りんごとオレンジ) hiroeorz@github 2017年02月15日に更新 http://qiita.com/hiroeorz@github/items/ecb39ed4042ebdc0a957 Google検索でりんごとオレンジの画像をそれぞれ25枚ずつゲット(ダウンロード)してくれば、私にもできました! (環境) Windows 8.1 Anaconda 4.4.0 Python 3.6.1 Tensorflow 1.2.1 Keras 2.0.6 (1)C:/python/ フォルダ下に、以下のフォルダを作成 data/train/apple ←りんご画像20個をダウンロード /tr
今回は、画像認識の精度向上に有効な データ拡張(Data Augmentation) を実験してみた。データ拡張は、訓練データの画像に対して移動、回転、拡大・縮小など人工的な操作を加えることでデータ数を水増しするテクニック。画像の移動、回転、拡大・縮小に対してロバストになるため認識精度が向上するようだ。 音声認識でも訓練音声に人工的なノイズを上乗せしてデータを拡張するテクニックがあるらしいのでそれの画像版みたいなものだろう。 ソースコード test_datagen2.py test_datagen3.py ImageDataGeneratorの使い方 #3 - GithubのIssuesでTODOを管理し始めた ImageDataGenerator Kerasには画像データの拡張を簡単に行うImageDataGeneratorというクラスが用意されている。今回は、この使い方をまとめておきた
Keras(バックエンドはtensorflow)で、この度横綱に昇進した稀勢の里と、千年に一人の逸材の橋本環奈を見分けられるのかやってみた。で、その途中でアイドル同士を見分けることってできるんだろうかと思って広瀬すずも追加して三つ巴でやってみた。 Kerasによる、ものすごくシンプルな画像分類(りんごとオレンジ)では読み込んだ画像をフラットな1次元配列に変換してモデルの学習に使ったけど、今回はより本格的に畳み込み層(Convolution2D)を追加してやってみます。 Kerasのドキュメントを読むと、Convolution2Dに喰わせる前に、画像を読み込んだ配列の次元をいじる必要があるようです。例えば 縦:100 x 横:100 x RGB:3 の画像を読み込んだ場合、100x100x3の配列として読み込まれますが、これを 3x100x100の形に直してからConvolution2Dに与
目的 ゼロからKerasとTensorFlow(TF)を自由自在に動かせるようになる。 そのための、End to Endの作業ログ(備忘録)を残す。 ※環境はMacだが、他のOSでの汎用性を保つように意識。 ※アジャイルで執筆しており、精度を逐次高めていく予定。 環境 Mac: 10.12.3 Python: 3.6 TensorFlow: 1.0.1 Keras: 2.0.2 To Do Keras導入編 Keras(Tensorflow)の環境構築 KerasでMINSTの学習と予測 KerasでTensorBoardの利用 Kerasで重みファイルの保存/読み込み Kerasで自前データの学習と予測 <---いまココ Kerasで転移学習 学習のテクニック編 KerasでCV Kerasでグリッドサーチ、ランダムサーチ Kerasで最適化手法の調整 Kerasで画像の水増し Kera
Google Colaboratoryでファイルを読み込む 前回のエントリの続きになります。 uepon.hatenadiary.com 前回はGoogleColaboratoryを設定してみたものでした。ただ、これでは画像ファイルを認識させるために読み込ませるようなことができません。ネット上のサーバに置いておくという手もありますが、それもまた面倒です。ということで、その方法をググって見ました。 以下のエントリを参考にしています。ありがとうございます。 qiita.com ファイルをインスタンスにアップロードする 簡単な方法はpythonのコードでnotebook上にUIを作り出し、ファイルをアップロードするというものです。 以下のようなコードを書いて実行すると… from google.colab import files uploaded = files.upload() notebo
ディープラーニング実践入門 ~ Kerasライブラリで画像認識をはじめよう! ディープラーニング(深層学習)に興味あるけど「なかなか時間がなくて」という方のために、コードを動かしながら、さくっと試して感触をつかんでもらえるように、解説します。 はじめまして。宮本優一と申します。 最近なにかと話題の多いディープラーニング(深層学習、deep learning)。エンジニアHubの読者の方でも、興味ある人は多いのではないでしょうか。 しかし、ディープラーニングについて周りのエンジニアに聞いてみると、 「なんか難しそう」 「なかなか時間がなくて、どこから始めれば良いかも分からない」 「一回試してみたんだけど、初心者向けチュートリアル(MNISTなど)を動かして挫折しちゃったんだよね」 という声が聞こえてきます。 そこで! この記事では、そうした方を対象に、ディープラーニングをさくっと試して感触を
VGG16はILSVRCのコンペ用に学習されたニューラルネットなのでImageNetの1000クラスを認識できる。しかし、前の記事(2017/1/4)で実験したように「ひまわり」のようなImageNetに存在しないクラスはそのままでは認識できない。 この問題を解決するためVGG16の高い認識能力を継承しつつ、新しい独自のクラス(今回は犬か猫かの2クラス)を認識できるように少量のデータでニューラルネットの重みを再調整することをFine-tuningという*1。「少量のデータで」というところがすごく重要。もし大量データでないとダメだったらAWSの利用料で破産するのでこの記事は書けない(^^;; 今回は、Keras Blogの - Building powerful image classification models using very little dat を参考に犬と猫の2クラス認識を
[2019/06/06 追記] ライブラリとしてPyTorchを使ったバージョンを公開しました。結果まで含めたJupyter NotebookをGitHubに上げています。また、推定できるアイドルの人数を7人から50人に増やしました。精度は6割程度ですが… 詳細は後日公開したいと思います。 気軽に試したい方は↓へ! twitter.com [追記ここまで] 冬休みに実家に帰ったのですが、することもないし外は寒いし、でも時間はたくさんあるから流行りの深層学習(Deep Learning)でもやるか!と思い、近くの書店で「ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装」を買って、1週間で1冊終わらせることを目標にちまちまとやっていました。 次にコレを使って何か面白いことでもできないかな〜と思っていたところ、この本でも実装したCNNでテキスト分類ができ
2つのモデル記述方法 kerasでは、ネットワークの層(レイヤー)を記述する方法が2つあります。 Sequentialモデル ネットワークを1列に積み重ねていく、シンプルな方法です。 サンプルコード: from keras.models import Sequential from keras.layers import Dense, Activation # モデルの作成 model = Sequential() # モデルにレイヤーを積み上げていく model.add(Dense(units=64, input_dim=100)) model.add(Activation('relu')) model.add(Dense(units=10)) model.add(Activation('softmax')) # 訓練プロセスの定義 model.compile(loss='categor
概要 Keras(Tensorflowバックエンド)で、画像認識の分野で有名なモデルVGG16を用いた転移学習を行いました。 そもそもディープラーニングとは?Kerasって何?という方は、こちらの記事をご参照下さい。 転移学習とファインチューニングの違い 転移学習とファインチューニングは、どちらも既存のモデル(今回はVGG16)を応用したディープラーニングの学習方法です。その為この2つはよく混同されていますが、厳密には異なります。 参考:Quora: What is the difference between transfer learning and fine tuning? ざっくりと説明すると、違いは以下になります。 - 転移学習:既存の学習済モデル(出力層以外の部分)を、重みデータは変更せずに特徴量抽出機として利用する。 - ファインチューニング:既存の学習済モデル(出力層以外の
はじめに 画像から、人物を検出してみます。 様々な方法があるようですが、理論はちょっと置いておいて、以下3つの方法を試してみました。 openCV(HOG特徴量+SVM) openCV(Haar-like特徴量分類器) keras (SSD) 環境 windows7 home(64bit) openCV 3.3.1 tensorflow 1.2.1 keras 2.1.3 テスト用画像 フリー画像のサイトはいくつもありますが、スポーツ系の画像はあまりありませんでした。 その中でAdobeの画像がオシャレだったので、いくつかダウンロード(1ヶ月の無料期間あり。ユーザ登録要) openCV(HOG特徴量+SVM) OpenCVの「cv2.HOGDescriptor」を使って人物を検出します。 ソースコード 複数画像を対象に人物を検出するソースはこちら→GitHub import numpy a
こんにちは。 AI coordinatorの清水秀樹です。 リアルタイム映像からの物体検出に挑戦してみました。 ただし簡単にはできず、色々ハマってえらく苦労したので、同じ悩みを持っている人の助けになればと思い実装までの手順を記事にします。 この手順に則って環境準備から始めて頂ければ、素人でも自分のPC場で映像からの物体検出が実装できるようになります。 それでは始めてみましょう。 参考にさせて頂いたサイト 以下のサイトを参考にさせて頂きました。 SSD: Single Shot MultiBox Detector 高速リアルタイム物体検出デモをKerasで試す こちらのサイトは素人の筆者でもなんとか実装できるぐらいまで丁寧に説明してくださっていますので、リアルタイムからの物体検出を実行する上で、大変参考になりました。 また、これからDeep Learningの勉強をするなら、こちらで紹介する
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く