[完全版]画像分類これだけ！[VGG16]

from google.colab import drive
drive.mount('/content/gdrive')

import numpy as np
from keras.preprocessing.image import load_img, img_to_array, ImageDataGenerator
from keras.applications.vgg16 import VGG16
from keras.models import Sequential, Model
from keras.layers import Input, Dense, Dropout, Activation, Flatten
from keras.optimizers import SGD
from keras.utils import np_utils
import os
import matplotlib.pyplot as plt
from keras.callbacks import EarlyStopping,ModelCheckpoint
import time

os.chdir("/content/gdrive/My Drive")

# 分類クラス
classes = ['lion', 'leopard']
nb_classes = len(classes)
batch_size = 32
nb_epoch = 40

# 画像のサイズ
img_rows, img_cols = 224, 224

# モデルの構築
def build_model() :
    # 画像の読み込み．今回はカラー画像の為，shapeの3番目の引数が3(ch)
    input_tensor = Input(shape=(img_rows, img_cols, 3))
    # VGG16はモデルの名前．引数weightsでpre-trainingしている
    vgg16 = VGG16(include_top=False, weights='imagenet',     input_tensor=input_tensor)

    # Sequentialは単純に，前の層の全ノードから矢印を引っ張ってくるモデルを意味している
    # 矢印のつなぎ方を複雑にするには，Functional APIを使う
    # https://qiita.com/Ishotihadus/items/e28dd461a8ba27a2676e
    _model = Sequential()

    _model.add(Flatten(input_shape=vgg16.output_shape[1:]))
    _model.add(Dense(256, activation='relu'))
    _model.add(Dropout(0.5))
    _model.add(Dense(nb_classes, activation='softmax'))

    model = Model(inputs=vgg16.input, outputs=_model(vgg16.output))
    # modelの14層目までのモデル重み
    for layer in model.layers[:15]:
        layer.trainable = False

    # 損失関数と評価関数を指定
    model.compile(loss='categorical_crossentropy',
                  optimizer=SGD(lr=1e-4, momentum=0.9), metrics=['accuracy'])
    return model




if __name__ == "__main__":
    # ImageDataGeneratorはリアルタイムにデータ拡張しながら，テンソル画像データのバッチを生成する
    # 要はデータの水増し(Data Augumentation)に関するオプションを指定している
    # https://keras.io/ja/preprocessing/image/#imagedatagenerator_1
    train_datagen = ImageDataGenerator(
        rescale=1.0 / 255
        )

    # train_generator: 指定したディレクトリから画像を読み込むときに使用する関数
    train_generator = train_datagen.flow_from_directory(
        directory= 'Animal/train',
        target_size=(img_rows, img_cols),
        color_mode='rgb',
        classes=classes,
        class_mode='categorical',
        batch_size=batch_size,
        shuffle=True)

    # 評価用画像の用意
    test_datagen = ImageDataGenerator(rescale=1.0 / 255)

    test_generator = test_datagen.flow_from_directory(
        directory= 'Animal/test',
        target_size=(img_rows, img_cols),
        color_mode='rgb',
        classes=classes,
        class_mode='categorical',
        batch_size=batch_size,
        shuffle=True)

    # インスタンスの呼び出し
    model = build_model()

# 過学習の抑制

    mc = ModelCheckpoint('weights.{epoch:02d}-{loss:.2f}-{acc:.2f}-{val_loss:.2f}-{val_acc:.2f}.h5',monitor="val_loss", verbose=1, save_best_only=True)
    es = EarlyStopping(monitor='val_loss', patience=10, verbose=1)
    # Fine-tuning
    history = model.fit_generator(
    train_generator,
    samples_per_epoch=trainフォルダの合計枚数を入力,
    nb_epoch=nb_epoch,
    validation_data=test_generator,
    nb_val_samples=testフォルダの合計枚数を入力,
    callbacks=[mc,es]
    )


    #acc, val_accのプロット
    plt.plot(history.history["acc"], label="acc", ls="-", marker="o")
    plt.plot(history.history["val_acc"], label="val_acc", ls="-", marker="x")
    plt.ylabel("accuracy")
    plt.xlabel("epoch")
    plt.legend(loc="best")
    #Final.pngという名前で、結果を保存
    plt.savefig('Final.png')
    plt.show()