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】

  1. Google Colaboratory での実行
  2. Windows での実行
  3. このページで説明のために使用する画像
  4. ImageNet で学習済みの MobileNetV2 を用いた画像分類
  5. ImageNet で学習済みの ResNet50 を用いた画像分類
  6. ImageNet で学習済みの Inception-ResNet を用いた画像分類
  7. ImageNet で学習済みの DenseNet 121 を用いた画像分類
  8. ImageNet で学習済みの DenseNet 169 を用いた画像分類
  9. 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/ai/imclassify/resnet50.html

参考文献:

1. Google Colaboratory での実行

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

2. Windows での実行

Python のインストール（Windows上）

注：既にPython（バージョン3.12を推奨）がインストール済みの場合は，この手順は不要である．

winget（Windowsパッケージマネージャー）を使用してインストールを行う

  1. Windowsで，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
  2. winget（Windowsパッケージマネージャー）が利用可能か確認する： 
    winget --version
  3. Pythonのインストール（下のコマンドにより Python 3.12 がインストールされる）． 
    winget install --scope machine Python.Launcher
winget install --scope machine Python.Python.3.12

    4. 【関連する外部サイト】

    【サイト内の関連ページ】

    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

    1. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）

      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

    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

    【関連する外部ページ】 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

    1. 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()
    2. 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)
    3. 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

    ResNet50 を使用．

    【関連する外部ページ】 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

    1. 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()
    2. 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)
    3. 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

    【関連する外部ページ】 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

    1. 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()
    2. 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)
    3. 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

    DenseNet 121 を使用．

    【関連する外部ページ】 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

    1. 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()
    2. 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)
    3. 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

    DenseNet 169 を使用．

    【関連する外部ページ】 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

    1. 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()
    2. 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)
    3. 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

    NASNet Large を使用．

    【関連する外部ページ】 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

    1. 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()
    2. 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)
    3. 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])