CropNet: การตรวจหาโรคมันสำปะหลัง

ดูบน TensorFlow.org ทำงานใน Google Colab ดูบน GitHub ดาวน์โหลดโน๊ตบุ๊ค ดูรุ่น TF Hub

โน๊ตบุ๊คนี้แสดงให้เห็นถึงวิธีการใช้ CropNet มันสำปะหลังโรคลักษณนาม โมเดลจาก TensorFlow Hub รูปแบบการจัดประเภทภาพของใบมันสำปะหลังเป็นหนึ่งใน 6 ชั้นเรียน: ทำลายแบคทีเรียโรคริ้วสีน้ำตาล, สีเขียวไรโรคโมเสคที่มีสุขภาพดีหรือไม่รู้จัก

colab นี้สาธิตวิธี:

  • โหลด https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2 โมเดลจาก TensorFlow Hub
  • โหลด มันสำปะหลัง ชุดข้อมูลจาก TensorFlow ชุดข้อมูล (TFDS)
  • จำแนกภาพใบมันสำปะหลังออกเป็น 4 ประเภทโรคมันสำปะหลังที่แตกต่างกัน หรือมีสุขภาพดีหรือไม่เป็นที่รู้จัก
  • ประเมินความถูกต้องของการจําแนกและดูที่วิธีการที่มีประสิทธิภาพรุ่นคือเมื่อนำไปใช้ออกจากภาพโดเมน

นำเข้าและตั้งค่า

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

ฟังก์ชั่น Helper สำหรับแสดงตัวอย่าง

ชุดข้อมูล

โหลด Let 's ชุดข้อมูลจากมันสำปะหลัง TFDS

dataset, info = tfds.load('cassava', with_info=True)

ลองมาดูข้อมูลชุดข้อมูลเพื่อเรียนรู้เพิ่มเติมกัน เช่น คำอธิบายและการอ้างอิงและข้อมูลเกี่ยวกับจำนวนตัวอย่างที่มี

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}
    }""",
)

ชุดข้อมูลมันสำปะหลังมีภาพของใบมันสำปะหลังที่มี 4 โรคที่แตกต่างกันเช่นเดียวกับใบมันสำปะหลังที่มีสุขภาพดี โมเดลสามารถทำนายคลาสทั้งหมดเหล่านี้ได้เช่นเดียวกับคลาสที่หกสำหรับ "ไม่ทราบ" เมื่อโมเดลไม่มั่นใจในการคาดการณ์

# 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']

ก่อนที่เราจะสามารถป้อนข้อมูลไปยังแบบจำลองได้ เราต้องทำการประมวลผลล่วงหน้าเล็กน้อย โมเดลคาดหวังภาพ 224 x 224 พร้อมค่าช่องสัญญาณ RGB ใน [0, 1] มาทำให้เป็นมาตรฐานและปรับขนาดรูปภาพกันเถอะ

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

ลองดูตัวอย่างบางส่วนจากชุดข้อมูล

batch = dataset['validation'].map(preprocess_fn).batch(25).as_numpy_iterator()
examples = next(batch)
plot(examples)

png

แบบอย่าง

มาโหลดตัวแยกประเภทจาก TF Hub และรับการทำนายและดูการทำนายของแบบจำลองอยู่ในตัวอย่างบางส่วน

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)

png

การประเมินและความทนทาน

ลองวัดความถูกต้องของลักษณนามของเราเกี่ยวกับการแยกของชุดข้อมูลที่ นอกจากนี้เรายังสามารถดูความแข็งแรงของรูปแบบโดยการประเมินผลการปฏิบัติงานในชุดข้อมูลที่ไม่ใช่มันสำปะหลัง สำหรับภาพของชุดข้อมูลพืชอื่น ๆ เช่น iNaturalist หรือถั่ว, รุ่นเกือบตลอดเวลาควรกลับไม่รู้จัก

พารามิเตอร์

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

เรียนรู้เพิ่มเติม