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 Colaboratory へのリンク有り）

【概要】

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 3.12 のインストール

Pythonのインストールを行い、Pythonのプログラムを実行する環境を整える。扱う環境は、Windows搭載パソコンである。金子研究室では、Python 3.12.10を推奨する。

[Windows での Python 3.12 のインストール手順を見るには、ここをクリック]

Windows での Python 3.12 のインストール

以下のいずれかの方法でPython 3.12をインストールする。Pythonがインストール済みの場合、この手順は不要である。

方法 1：winget によるインストール

【インストールコマンドの実行方法】

管理者権限でコマンドプロンプトを起動する（手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。そして、コマンド全体をコマンドプロンプトにコピー＆ペーストする。

--scope machine を指定することで、システム全体（全ユーザー向け）にインストールされる。このオプションの実行には管理者権限が必要である。インストール完了後、コマンドプロンプトを再起動するとPATHが反映される。

REM Python 3.12 をシステム領域にインストール
winget install --id Python.Python.3.12 -e --scope machine --silent --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_test=0 Include_pip=1 Include_launcher=1 InstallLauncherAllUsers=1 TargetDir=\"C:\Program Files\Python312\""

REM Python と Scripts を PATH 先頭に追加
powershell -NoProfile -Command "$p='C:\Program Files\Python312'; $s=\"$p\Scripts\"; $c=[Environment]::GetEnvironmentVariable('Path','Machine'); if((Test-Path $p) -and (';'+$c+';' -notlike \"*;$p;*\") -and (';'+$c+';' -notlike \"*;$s;*\")){[Environment]::SetEnvironmentVariable('Path',\"$p;$s;$c\",'Machine')}"

方法 2：インストーラーによるインストール

Python公式サイト（https://www.python.org/downloads/）にアクセスし、「Download Python 3.x.x」ボタンからWindows用インストーラーをダウンロードする。
ダウンロードしたインストーラーを実行する。
初期画面の下部に表示される「Add python.exe to PATH」にチェックを入れてから「Customize installation」を選択する。このチェックを入れ忘れると、コマンドプロンプトから python コマンドを実行できない。
「Install Python 3.xx for all users」にチェックを入れ、「Install」をクリックする。

インストールの確認

コマンドプロンプトで以下を実行する。

python --version

バージョン番号（例：Python 3.12.x）が表示されればインストール成功である。「'python' は、内部コマンドまたは外部コマンドとして認識されていません。」と表示される場合は、インストールが正常に完了していない。

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．）

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

次のコマンドを実行する．
管理者権限でコマンドプロンプトを起動する（手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
```
python -m pip install -U --no-user 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 install 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 で次のコマンドを実行する．

管理者権限でコマンドプロンプトを起動する（手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。

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/api/applications/

謝辞：ここでは、https://keras.io/api/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

import tensorflow as tf
import numpy as np
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

ResNet50 を使用．

【関連する外部ページ】 https://keras.io/api/applications/

謝辞：ここでは、https://keras.io/api/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

import tensorflow as tf
import numpy as np
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50 import preprocess_input, decode_predictions

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

【関連する外部ページ】 https://keras.io/api/applications/

謝辞：ここでは、https://keras.io/api/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

import tensorflow as tf
import numpy as np
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

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

DenseNet 121 を使用．

【関連する外部ページ】 https://keras.io/api/applications/

謝辞：ここでは、https://keras.io/api/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

import tensorflow as tf
import numpy as np
from tensorflow.keras.applications.densenet import DenseNet121
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.densenet import preprocess_input, decode_predictions

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

DenseNet 169 を使用．

【関連する外部ページ】 https://keras.io/api/applications/

謝辞：ここでは、https://keras.io/api/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

import tensorflow as tf
import numpy as np
from tensorflow.keras.applications.densenet import DenseNet169
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.densenet import preprocess_input, decode_predictions

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

NASNet Large を使用．

【関連する外部ページ】 https://keras.io/api/applications/

謝辞：ここでは、https://keras.io/api/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

import tensorflow as tf
import numpy as np
from tensorflow.keras.applications.nasnet import NASNetLarge
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.nasnet import preprocess_input, decode_predictions

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])