CNN ile CIFAR-10 Veri Setindeki Görüntülerin Tanınması

CIFAR-10 veri seti, 10 sınıftan ve 3 kanalda 32 x 32 pikselden oluşan 60.000 renkli görüntü içerir. Her sınıf 6,000 resim içermektedir. Eğitim seti 50.000 görüntü içerirken, test setleri 10.000 görüntü içerir. Bu görüntüler https://www.cs.toronto.edu/~kriz/cifar.html adresinden çekilmektedir. Rastgele çekilen 10 sınıf aşağıda gösterilmiştir:

Amaç daha önce görülmemiş görüntüleri tanımak ve bunları 10 sınıftan birine atamaktır. İlk olarak veri seti, kütüphaneler ve model için gerekli parametreler ve sabitler tanımlanır:

from keras.datasets import cifar10
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.optimizers import SGD, Adam, RMSprop

import matplotlib.pyplot as plt

num_channels = 3
img_rows = 32
img_cols = 32

batch_size = 128
num_epochs = 20
num_classes = 10
validation_split = 0.2
optim = RMSprop()

# VERİ SETİ YÜKLENİR:

(X_train, y_train), (X_test, y_test) = cifar10.load_data()
print('X_train shape:', X_train.shape)
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

# LABEL'LARI KATEGORİZE ETMEK İÇİN ONE-HOT ENCODING YAPILIR VE GÖRÜNTÜLER NORMALİZE EDİLİR:

Y_train = np_utils.to_categorical(y_train, num_classes)
Y_test = np_utils.to_categorical(y_test, num_classes)

X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

# 10 SINIFLI CIFAR10 VERİ SETİNDEKİ GÖRÜNTÜLERİ TANIYAN BİR CNN MODEL OLUŞTURULUR.
# OLUŞTURULAN AĞ HER BİRİ 3x3 BOYUTUNDA OLAN 32 KONVOLÜSYONEL FİLTREYİ ÖĞRENİR: 

model = Sequential()
model.add(Conv2D(32, (3, 3), padding='same',
                 input_shape=(img_rows, img_cols, num_channels)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes))
model.add(Activation('softmax'))


model.summary()

# AĞ TANIMI YAPILDIKTAN SONRA MODEL EĞİTİLİR.BURADA VERİ;TEST,TRAIN VE VALIDATION OLARAK AYRILIR:

model.compile(loss='categorical_crossentropy', optimizer=optim,
              metrics=['accuracy'])

history = model.fit(X_train, Y_train, batch_size=batch_size,
                    epochs=num_epochs, validation_split=validation_split,
                    verbose=1)

score = model.evaluate(X_test, Y_test,
                       batch_size=batch_size, verbose=VERBOSE)
print("\nTest score:", score[0])
print('Test accuracy:', score[1])

# MODEL KAYDEDİLİR;LOSS VE ACCURASY DEĞERLERİ ÇİZDİRİLİR:

model_json = model.to_json()
open('cifar10_model.json', 'w').write(model_json)
model.save_weights('cifar10_weights.h5', overwrite=True)

print(history.history.keys())

plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()