Pythonで衣服の画像を分類する – 完全ガイド

2023.01.18 2022.09.22

この記事では、Pythonプログラミング言語を使用したTensorFlowを使って、様々な服の画像の分類がどのように行われるかを見ていきます。

ソーシャルメディアプラットフォームのInstagram、YouTube、Twitterは、私たちの日常生活を支配しています。

特にモデルやセレブリティは、自分を最高に見せたいなら、服をいくつかのカテゴリーに分類する方法を知っておく必要があります。

こちらもお読みください。

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

写真に写っているファッションアイテムの分類は、個々の衣服の識別を含んでいます。

同じことは、ソーシャルネットワーキング、eコマース、刑法にも応用されている。

Step 1: モジュールをインポートする
ステップ2: データの読み込みと前処理
ステップ3：学習データとテストデータの分割
ステップ4：データの可視化
ステップ 5: ラベルを実際の名前に変更する
ステップ 6: モデルのビルド、コンパイル、およびトレーニング
ステップ7：最終的な損失と精度を確認する
ステップ8: 予測を行う
ステップ9：最終的な予測値の可視化

Step 1: モジュールをインポートする

すべてのプロジェクトにおいて、最初のステップは必要なモジュールをすべてインポートすることです。

今回は、Tensorflowに加え、numpyとmatplotlibをインポートします。

fashion_data=tf.keras.datasets.fashion_mnist

ステップ2: データの読み込みと前処理

これからプログラムに読み込むデータセットはこちらです。

このデータセットには、10種類のファッションカテゴリに属する、グレースケールで各28×28ピクセルの写真6万枚と、ダミーの画像1万枚が含まれている。

MNISTはこのデータセットを用いて置き換えることができる。

以下のコードで、データの読み込みを行う。

(inp_train,out_train),(inp_test,out_test)=fashion_data.load_data()

inp_train = inp_train/255.0

inp_test = inp_test/255.0

print("Shape of Input Training Data: ", inp_train.shape)

print("Shape of Output Training Data: ", out_train.shape)

print("Shape of Input Testing Data: ", inp_test.shape)

print("Shape of Output Testing Data: ", out_test.shape)

この記事もチェック：PyTorchで音声や画像のカスタムデータセットを自作する方法

ステップ3：学習データとテストデータの分割

機械学習モデルの主要な部分は、80対20の法則に基づいてデータを2つに分割することです。

80-20ルールとは、データの80%をトレーニング用データに、20%をテスト用データに送るというものです。

以下のコードでは、データをトレーニング用とテスト用に分割しています。

Shape of Input Training Data:  (60000, 28, 28)

Shape of Output Training Data:  (60000,)

Shape of Input Testing Data:  (10000, 28, 28)

Shape of Output Testing Data:  (10000,)

このコードは読み込まれたデータセットを正規化します。

plt.figure(figsize=(10,10))

for i in range(100):

    plt.subplot(10,10,i+1)

    plt.imshow(inp_train[i])

    plt.xticks([])

    plt.yticks([])

    plt.xlabel(out_train[i])

    plt.tight_layout()
plt.show()

この記事もチェック：Pythonでアイリスデータの機械学習|SVMやKNN,決定木、ランダムフォレストでの実装方法を解説

ステップ4：データの可視化

初期データを可視化するコードは以下の通りです。

Labels=['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

plt.figure(figsize=(10,10))

for i in range(100):

    plt.subplot(10,10,i+1)

    plt.xticks([])

    plt.yticks([])

    plt.imshow(inp_train[i], cmap=plt.cm.binary)

    plt.xlabel(Labels[out_train[i]])

    plt.tight_layout()
plt.show()

my_model = tf.keras.Sequential([

    tf.keras.layers.Flatten(input_shape=(28, 28)),

    tf.keras.layers.Dense(128, activation='relu'),

    tf.keras.layers.Dense(10)
])

my_model.compile(optimizer='adam',

              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),

              metrics=['accuracy'])

my_model.fit(inp_train, out_train, epochs=20)

ステップ 5: ラベルを実際の名前に変更する

可視化されたラベルを見てきましたが、ラベルにもきちんとした名前をつけたいものです。

以下のコードで実現できます。

loss, accuracy = my_model.evaluate(inp_test,out_test,verbose=2)

print('

Accuracy:',accuracy*100)

prob=tf.keras.Sequential([my_model,tf.keras.layers.Softmax()])

pred=prob.predict(inp_test)

これで、可視化がより理解しやすくなったことがわかると思います。

ステップ 6: モデルのビルド、コンパイル、およびトレーニング

TensorFlowとKerasのモデルをビルド、コンパイル、学習するコードは以下の通りです。

plt.figure(figsize=(20,20))

for i in range(20):

    true_label,image = out_test[i],inp_test[i]

    pred_label = np.argmax(pred[i])

    plt.subplot(10,10,i+1)

    plt.xticks([])

    plt.yticks([])

    plt.imshow(image, cmap=plt.cm.binary)

    if pred_label == true_label:

        color = 'green'

        label="Correct Prediction!"

    else:

        color = 'red'

        label="Wrong Prediction!"

    plt.tight_layout()

    plt.title(label,color=color)

    plt.xlabel(" {} -> {} ".format(Labels[true_label],Labels[pred_label]))