サイトの全体構成

ImageNet で事前学習済みの畳み込みニューラルネットワーク (CNN) を用いた画像分類（MobileNetV2，ResNet50，DenseNet 121，DenseNet 169，NASNetを使用）（Google Colaboratroy へのリンク有り）

画像分類は，画像からそのクラス名を求めるもの．

Keras では，ImageNet で事前学習済みのモデルを，簡単に使うことができる．

このページでは， Keras の ImageNet で事前学習済みの MobileNetV2， Inception Resnet， ResNet50， DenseNet 121, DenseNet 169， NASNetを用いて画像分類を行う．

Keras で利用可能な画像分類のモデルは，https://keras.io/api/applications/ で説明されている．

【目次】

Google Colab へのリンク
前準備
このページで説明のために使用する画像
ImageNet で学習済みの MobileNetV2 を用いた画像分類
ImageNet で学習済みの ResNet50 を用いた画像分類
ImageNet で学習済みの Inception-ResNet を用いた画像分類
ImageNet で学習済みの DenseNet 121 を用いた画像分類
ImageNet で学習済みの DenseNet 169 を用いた画像分類
ImageNet で学習済みの NASNet Large を用いた画像分類

このページの URL: https://www.kkaneko.jp/cc/imclassify/resnet50.html

参考文献:

1. Google Colab へのリンク

Google Colaboratory のページ:

次のリンクをクリックすると，Google Colaboratory のノートブックが開く．そして，Google アカウントでログインすると，Google Colaboratory のノートブック内のコード等を編集したり再実行したりができる．編集した場合でも，他の人に影響が出たりということはない．そして，編集後のものを，各自の Google ドライブ内に保存することもできる．

https://colab.research.google.com/drive/1c0uJaZB7B6SDTnxS_5FJukKd9FbYg4-e?usp=sharing

前準備

Python のインストール（Windows 上）

Windows での Python 3.10，関連パッケージ，Python 開発環境のインストール: 別ページ »で説明

【サイト内の関連ページ】

Python のまとめ: 別ページ »にまとめ

【関連する外部ページ】

Python の公式ページ: https://www.python.org/

TensorFlow，Keras のインストール

Windows での TensorFlow，Keras のインストール: 別ページ »で説明

（このページで，Build Tools for Visual Studio 2022，NVIDIA ドライバ， NVIDIA CUDA ツールキット， NVIDIA cuDNNのインストールも説明している．）

Graphviz のインストール

Windows での Graphviz のインストール: 別ページ »で説明

numpy，matplotlib, seaborn, scikit-learn, pandas, pydot のインストール

Windows で，コマンドプロンプトを管理者として実行

コマンドプロンプトを管理者として実行: 別ページ »で説明

次のコマンドを実行する．

python -m pip install -U numpy matplotlib seaborn scikit-learn pandas pydot

GraphViz のインストール

Windows での GraphViz のインストール: 別ページ »で説明

Ubuntu での GraphViz のインストール

sudo apt -y insatll graphviz python3-graphviz libgraphviz-dev

3. このページで説明のために使用する画像

画像ファイル fruits.jpg, home.jpg のダウンロード

画像ファイル fruits.jpg, home.jpg のダウンロードは， Windows でコマンドプロンプトを 管理者として開き次のコマンドを実行する．

mkdir c:\image
cd c:\image
curl -L https://github.com/opencv/opencv/blob/master/samples/data/fruits.jpg?raw=true -o fruits.jpg
curl -L https://github.com/opencv/opencv/blob/master/samples/data/home.jpg?raw=true -o home.jpg

上のコマンドがうまく実行できないときは，別ページを参考にダウンロードを行う．

https://github.com/opencv/opencv/tree/master/samples/data で公開されている fruits.jpg, home.jpg を使用する（謝辞：画像の作者に感謝します）

4. ImageNet で学習済みの MobileNetV2 を用いた画像分類

【外部ページへのリンク】https://keras.io/ja/applications/

謝辞：ここでは、https://keras.io/ja/applications に記載のプログラムを変更して使用している

モデルの作成

次の Python プログラムを実行

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow.keras import backend as K 
K.clear_session()
import numpy as np
import tensorflow_datasets as tfds
from tensorflow.keras.preprocessing import image

%matplotlib inline
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings

from tensorflow.keras.applications.mobilenet_v2 import MobileNetV2
from tensorflow.keras.applications.mobilenet_v2 import preprocess_input, decode_predictions

IMG_SIZE = 224
m = MobileNetV2(weights='imagenet')
m.summary()

確認のため，モデルのプロット

from tensorflow.keras.utils import plot_model
import pydot
plot_model(m)

画像分類の実行

「C:/image/fruits.jpg」，「C:/image/home.jpg」のところには，画像ファイル名を指定すること．

from matplotlib import pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import PIL

def preprocess_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    return preprocess_input(x)

def plot_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    plt.imshow(img)
    return

img_path = 'C:/image/fruits.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

img_path = 'C:/image/home.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

5. ImageNet で学習済みの ResNet50 を用いた画像分類

【外部ページへのリンク】https://keras.io/ja/applications/

謝辞：ここでは、https://keras.io/ja/applications に記載のプログラムを変更して使用している

モデルの作成

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow.compat.v2 as tf
import tensorflow_datasets as tfds
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np

IMG_SIZE = 224
m = ResNet50(weights='imagenet')
m.summary()

確認のため，モデルのプロット

from tensorflow.keras.utils import plot_model
import pydot
plot_model(m)

画像分類の実行

「C:/image/fruits.jpg」，「C:/image/home.jpg」のところには，画像ファイル名を指定すること．

from matplotlib import pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import PIL

def preprocess_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    return preprocess_input(x)

def plot_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    plt.imshow(img)
    return

img_path = 'C:/image/fruits.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

img_path = 'C:/image/home.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

6. ImageNet で学習済みの Inception-ResNet を用いた画像分類

【外部ページへのリンク】https://keras.io/ja/applications/

謝辞：ここでは、https://keras.io/ja/applications に記載のプログラムを変更して使用している

モデルの作成

次の Python プログラムを実行

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow.compat.v2 as tf
import tensorflow_datasets as tfds
from tensorflow.keras.applications.inception_resnet_v2 import InceptionResNetV2
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.inception_resnet_v2 import preprocess_input, decode_predictions
import numpy as np

IMG_SIZE = 299
m = InceptionResNetV2(weights='imagenet')
m.summary()

確認のため，モデルのプロット

from tensorflow.keras.utils import plot_model
import pydot
plot_model(m)

画像分類の実行

「C:/image/fruits.jpg」，「C:/image/home.jpg」のところには，画像ファイル名を指定すること．

from matplotlib import pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import PIL

def preprocess_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    return preprocess_input(x)

def plot_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    plt.imshow(img)
    return

img_path = 'C:/image/fruits.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

img_path = 'C:/image/home.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

7. ImageNet で学習済みの DenseNet 121 を用いた画像分類

【外部ページへのリンク】https://keras.io/ja/applications/

謝辞：ここでは、https://keras.io/ja/applications に記載のプログラムを変更して使用している

モデルの作成

次の Python プログラムを実行

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow.compat.v2 as tf
import tensorflow_datasets as tfds
from tensorflow.keras.applications.densenet import DenseNet121
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.densenet import preprocess_input, decode_predictions
import numpy as np

IMG_SIZE = 224
m = DenseNet121(weights='imagenet')
m.summary()

確認のため，モデルのプロット

from tensorflow.keras.utils import plot_model
import pydot
plot_model(m)

画像分類の実行

「C:/image/fruits.jpg」，「C:/image/home.jpg」のところには，画像ファイル名を指定すること．

from matplotlib import pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import PIL

def preprocess_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    return preprocess_input(x)

def plot_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    plt.imshow(img)
    return

img_path = 'C:/image/fruits.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

img_path = 'C:/image/home.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

8. ImageNet で学習済みの DenseNet 169 を用いた画像分類

【外部ページへのリンク】https://keras.io/ja/applications/

謝辞：ここでは、https://keras.io/ja/applications に記載のプログラムを変更して使用している

モデルの作成

次の Python プログラムを実行

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow.compat.v2 as tf
import tensorflow_datasets as tfds
from tensorflow.keras.applications.densenet import DenseNet169
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.densenet import preprocess_input, decode_predictions
import numpy as np

IMG_SIZE = 224
m = DenseNet169(weights='imagenet')
m.summary()

確認のため，モデルのプロット

from tensorflow.keras.utils import plot_model
import pydot
plot_model(m)

画像分類の実行

「C:/image/fruits.jpg」，「C:/image/home.jpg」のところには，画像ファイル名を指定すること．

from matplotlib import pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import PIL

def preprocess_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    return preprocess_input(x)

def plot_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    plt.imshow(img)
    return

img_path = 'C:/image/fruits.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

img_path = 'C:/image/home.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

9. ImageNet で学習済みの NASNet Large を用いた画像分類

【外部ページへのリンク】https://keras.io/ja/applications/

謝辞：ここでは、https://keras.io/ja/applications に記載のプログラムを変更して使用している

モデルの作成

次の Python プログラムを実行

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow.compat.v2 as tf
import tensorflow_datasets as tfds
from tensorflow.keras.applications.nasnet import NASNetLarge
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.nasnet import preprocess_input, decode_predictions
import numpy as np

IMG_SIZE = 331
m = NASNetLarge(weights='imagenet')
m.summary()

確認のため，モデルのプロット

from tensorflow.keras.utils import plot_model
import pydot
plot_model(m)

画像分類の実行

「C:/image/fruits.jpg」，「C:/image/home.jpg」のところには，画像ファイル名を指定すること．

from matplotlib import pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
import PIL

def preprocess_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    return preprocess_input(x)

def plot_image(img_path, img_size):
    img = image.load_img(img_path, target_size=(img_size, img_size))
    plt.imshow(img)
    return

img_path = 'C:/image/fruits.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

img_path = 'C:/image/home.jpg'
plot_image(img_path, IMG_SIZE)
print('Predicted:', decode_predictions(m.predict(preprocess_image(img_path, IMG_SIZE)), top=3)[0])

本サイトは金子邦彦研究室のWebページである．

資料等の公開では，原則，「クリエイティブコモンズ BY NC SA」として公開するようにしている． PDFファイル，パワーポイントファイルなどには，「クリエイティブコモンズ BY NC SA」を明記するとともに，ロゴを記載するようにしている（作業が間に合っていない分もあるのでご容赦ください）．

公開している資料をご利用になる場合の，再配布の条件，剽窃の防止などについて，別ページ »で説明再配布や資料改変の際には，そのページをご確認ください．

サイトマップは，サイトマップのページをご覧下さい．本サイト内の検索は，サイト内検索のページをご利用下さい．

問い合わせ先：金子邦彦（かねこくにひこ） [image]