 Ver no TensorFlow.org |  Executar no Google Colab |  Ver no GitHub |  Baixar caderno |  Veja o modelo TF Hub |
Este notebook mostra como usar o CropNet doença classificador mandioca modelo de TensorFlow Hub. Os classifica modelo imagens de folhas de mandioca em uma das 6 classes: ferrugem bacteriana, doença podridão radicular, ácaro verde, doença do mosaico, saudável, ou desconhecida.
Esta colab demonstra como:
- Carregar o https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2 modelo de TensorFlow Hub
- Carregar a mandioca conjunto de dados do TensorFlow conjuntos de dados (TFDS)
- Classifique as imagens de folhas de mandioca em 4 categorias distintas de doenças da mandioca ou como saudáveis ou desconhecidas.
- Avaliar a precisão do classificador e ver como robusto o modelo é quando aplicado a partir de imagens de domínio.
Importações e configuração
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
Função auxiliar para exibir exemplos
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 dados
Vamos carga do conjunto de dados de mandioca a partir TFDS
dataset, info = tfds.load('cassava', with_info=True)
Vamos dar uma olhada nas informações do conjunto de dados para aprender mais sobre ele, como a descrição e citação e informações sobre quantos exemplos estão disponíveis
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}
}""",
)
O conjunto de dados de mandioca tem imagens de folhas de mandioca com 4 doenças distintas, bem como folhas de mandioca saudáveis. O modelo pode prever todas essas classes, bem como a sexta classe para "desconhecido", quando o modelo não está confiante em sua previsão.
# 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 alimentarmos o modelo com os dados, precisamos fazer um pouco de pré-processamento. O modelo espera 224 x 224 imagens com valores de canal RGB em [0, 1]. Vamos normalizar e redimensionar as imagens.
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
Vamos dar uma olhada em alguns exemplos do conjunto de dados
batch = dataset['validation'].map(preprocess_fn).batch(25).as_numpy_iterator()
examples = next(batch)
plot(examples)
Modelo
Vamos carregar o classificador do TF Hub e obter algumas previsões e ver as previsões do modelo em alguns exemplos
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)
Avaliação e robustez
Vamos medir a precisão do nosso classificador em uma divisão do conjunto de dados. Podemos também olhar para a robustez do modelo de avaliação do seu desempenho em um conjunto de dados não-mandioca. Para a imagem de outros conjuntos de dados de plantas como iNaturalist ou feijão, o modelo deve quase sempre retornar desconhecido.
Parâmetros
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
Saber mais
- Saiba mais sobre o modelo em TensorFlow Hub: https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2
- Aprenda a construir uma imagem personalizada classificador running sobre um telefone móvel com ML Kit com a versão TensorFlow Lite deste modelo .