 Ver en TensorFlow.org |  Ejecutar en Google Colab |  Ver en GitHub |  Descargar cuaderno |  Ver modelo TF Hub |
Este portátil se muestra cómo utilizar el CropNet clasificador enfermedad yuca modelo de TensorFlow concentradores. Las imágenes clasifica modelo de las hojas de yuca en una de las 6 clases: tizón bacteriano, enfermedad de la raya marrón, verde ácaros, la enfermedad del mosaico, saludable, o desconocidos.
Este colab demuestra cómo:
- Cargar el https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2 modelo de TensorFlow Hub
- Cargar la yuca conjunto de datos de TensorFlow conjuntos de datos (TFDS)
- Clasifique las imágenes de hojas de yuca en 4 categorías distintas de enfermedades de la yuca o como sanas o desconocidas.
- Evaluar la precisión del clasificador y la mirada a la solidez del modelo es cuando se aplica a partir de imágenes de dominio.
Importaciones y montaje
pip install matplotlib==3.2.2
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
import tensorflow_datasets as tfds
import tensorflow_hub as hub
Función auxiliar para mostrar ejemplos.
def plot(examples, predictions=None):
# Get the images, labels, and optionally predictions
images = examples['image']
labels = examples['label']
batch_size = len(images)
if predictions is None:
predictions = batch_size * [None]
# Configure the layout of the grid
x = np.ceil(np.sqrt(batch_size))
y = np.ceil(batch_size / x)
fig = plt.figure(figsize=(x * 6, y * 7))
for i, (image, label, prediction) in enumerate(zip(images, labels, predictions)):
# Render the image
ax = fig.add_subplot(x, y, i+1)
ax.imshow(image, aspect='auto')
ax.grid(False)
ax.set_xticks([])
ax.set_yticks([])
# Display the label and optionally prediction
x_label = 'Label: ' + name_map[class_names[label]]
if prediction is not None:
x_label = 'Prediction: ' + name_map[class_names[prediction]] + '\n' + x_label
ax.xaxis.label.set_color('green' if label == prediction else 'red')
ax.set_xlabel(x_label)
plt.show()
Conjunto de datos
Vamos a la carga el conjunto de datos de yuca TFDS
dataset, info = tfds.load('cassava', with_info=True)
Echemos un vistazo a la información del conjunto de datos para obtener más información al respecto, como la descripción, la cita y la información sobre cuántos ejemplos están disponibles.
info
tfds.core.DatasetInfo(
name='cassava',
full_name='cassava/0.1.0',
description="""
Cassava consists of leaf images for the cassava plant depicting healthy and
four (4) disease conditions; Cassava Mosaic Disease (CMD), Cassava Bacterial
Blight (CBB), Cassava Greem Mite (CGM) and Cassava Brown Streak Disease (CBSD).
Dataset consists of a total of 9430 labelled images.
The 9430 labelled images are split into a training set (5656), a test set(1885)
and a validation set (1889). The number of images per class are unbalanced with
the two disease classes CMD and CBSD having 72% of the images.
""",
homepage='https://www.kaggle.com/c/cassava-disease/overview',
data_path='gs://tensorflow-datasets/datasets/cassava/0.1.0',
download_size=1.26 GiB,
dataset_size=Unknown size,
features=FeaturesDict({
'image': Image(shape=(None, None, 3), dtype=tf.uint8),
'image/filename': Text(shape=(), dtype=tf.string),
'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
}),
supervised_keys=('image', 'label'),
disable_shuffling=False,
splits={
'test': <SplitInfo num_examples=1885, num_shards=4>,
'train': <SplitInfo num_examples=5656, num_shards=8>,
'validation': <SplitInfo num_examples=1889, num_shards=4>,
},
citation="""@misc{mwebaze2019icassava,
title={iCassava 2019Fine-Grained Visual Categorization Challenge},
author={Ernest Mwebaze and Timnit Gebru and Andrea Frome and Solomon Nsumba and Jeremy Tusubira},
year={2019},
eprint={1908.02900},
archivePrefix={arXiv},
primaryClass={cs.CV}
}""",
)
El conjunto de datos yuca tiene imágenes de hojas de yuca con 4 diferentes enfermedades, así como las hojas de yuca sanas. El modelo puede predecir todas estas clases, así como la sexta clase para "desconocido" cuando el modelo no confía en su predicción.
# Extend the cassava dataset classes with 'unknown'
class_names = info.features['label'].names + ['unknown']
# Map the class names to human readable names
name_map = dict(
cmd='Mosaic Disease',
cbb='Bacterial Blight',
cgm='Green Mite',
cbsd='Brown Streak Disease',
healthy='Healthy',
unknown='Unknown')
print(len(class_names), 'classes:')
print(class_names)
print([name_map[name] for name in class_names])
6 classes: ['cbb', 'cbsd', 'cgm', 'cmd', 'healthy', 'unknown'] ['Bacterial Blight', 'Brown Streak Disease', 'Green Mite', 'Mosaic Disease', 'Healthy', 'Unknown']
Antes de que podamos enviar los datos al modelo, necesitamos hacer un poco de preprocesamiento. El modelo espera imágenes de 224 x 224 con valores de canal RGB en [0, 1]. Normalicemos y redimensionemos las imágenes.
def preprocess_fn(data):
image = data['image']
# Normalize [0, 255] to [0, 1]
image = tf.cast(image, tf.float32)
image = image / 255.
# Resize the images to 224 x 224
image = tf.image.resize(image, (224, 224))
data['image'] = image
return data
Echemos un vistazo a algunos ejemplos del conjunto de datos.
batch = dataset['validation'].map(preprocess_fn).batch(25).as_numpy_iterator()
examples = next(batch)
plot(examples)
Modelo
Carguemos el clasificador de TF Hub y obtengamos algunas predicciones y veamos las predicciones del modelo en algunos ejemplos.
classifier = hub.KerasLayer('https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2')
probabilities = classifier(examples['image'])
predictions = tf.argmax(probabilities, axis=-1)
plot(examples, predictions)
Evaluación y robustez
Vamos a medir la precisión de nuestra clasificador en una fracción del conjunto de datos. También podemos ver la robustez del modelo mediante la evaluación de su rendimiento en un conjunto de datos no yuca. Para la imagen de otros conjuntos de datos de plantas como iNaturalist o frijoles, el modelo debe devolver casi siempre desconocida.
Parámetros
DATASET = 'cassava'
DATASET_SPLIT = 'test'
BATCH_SIZE = 32
MAX_EXAMPLES = 1000
def label_to_unknown_fn(data):
data['label'] = 5 # Override label to unknown.
return data
# Preprocess the examples and map the image label to unknown for non-cassava datasets.
ds = tfds.load(DATASET, split=DATASET_SPLIT).map(preprocess_fn).take(MAX_EXAMPLES)
dataset_description = DATASET
if DATASET != 'cassava':
ds = ds.map(label_to_unknown_fn)
dataset_description += ' (labels mapped to unknown)'
ds = ds.batch(BATCH_SIZE)
# Calculate the accuracy of the model
metric = tf.keras.metrics.Accuracy()
for examples in ds:
probabilities = classifier(examples['image'])
predictions = tf.math.argmax(probabilities, axis=-1)
labels = examples['label']
metric.update_state(labels, predictions)
print('Accuracy on %s: %.2f' % (dataset_description, metric.result().numpy()))
Accuracy on cassava: 0.88
Aprende más
- Más información sobre el modelo de TensorFlow Hub: https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2
- Aprender a construir una imagen personalizada clasificador que se ejecuta en un teléfono móvil con ML Kit con la versión Lite TensorFlow de este modelo .