Tensorflowで人の顔を見分ける(５)
目的
Tensorflowで人の顔を分類したい！
参考リンク
TensorFlowでアニメゆるゆりの制作会社を識別する - kivantium活動日記
動作環境
Python3.5.3 (過去ログご参考)
やりかた
全体の流れ
１．それぞれの人の顔の画像を複数集める
２．画像から人の顔だけを切出す
３．切出した顔をチェックして不要なものを削除
４．学習用データと検証用データに分ける
５．学習する
６．学習結果をみる
７．見分ける
この投稿では７項
７．見分ける
好きな画像をTensorBoardで作成したネットワークにかけて分類する。
※参考リンクのプログラムを使わせて頂いた。ブログ主さんに感謝。
１）Pythonで以下を実行。引数に分類したい画像を指定。
#! -*- coding: utf-8 -*-
import sys
import os
import numpy as np
import tensorflow as tf
import cv2
NUM_CLASSES = 2
IMAGE_SIZE = 28
IMAGE_PIXELS = IMAGE_SIZE*IMAGE_SIZE*3
#---------------------------------------------------------------
# 予測モデルの作成関数
# 引数 images_placeholder : 画像のplaceholder
# keep_prob : dropout率のplace_holder
# 返り値 y_conv : 各クラスの確率のようなもの
#---------------------------------------------------------------
def inference(images_placeholder, keep_prob):
# 重みを標準偏差0.1の正規分布で初期化する関数
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
# バイアスを標準偏差0.1の正規分布で初期化する関数
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
# 畳み込み層を作成する関数
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
# プーリング層を作成する関数
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# 入力画像の整形
x_image = tf.reshape(images_placeholder, [-1, IMAGE_SIZE, IMAGE_SIZE, 3])
# 畳み込み層1の作成
with tf.name_scope('conv1') as scope:
W_conv1 = weight_variable([5, 5, 3, 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# プーリング層1の作成
with tf.name_scope('pool1') as scope:
h_pool1 = max_pool_2x2(h_conv1)
# 畳み込み層2の作成
with tf.name_scope('conv2') as scope:
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
# プーリング層2の作成
with tf.name_scope('pool2') as scope:
h_pool2 = max_pool_2x2(h_conv2)
# 全結合層1の作成
with tf.name_scope('fc1') as scope:
W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# 全結合層2の作成
with tf.name_scope('fc2') as scope:
W_fc2 = weight_variable([1024, NUM_CLASSES])
b_fc2 = bias_variable([NUM_CLASSES])
# ソフトマックス関数による正規化
with tf.name_scope('softmax') as scope:
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
# 各ラベルの確率のようなものを返す
return y_conv
#---------------------------------------------------------------
# メイン関数
#---------------------------------------------------------------
if __name__ == '__main__':
TARGET_NAME = ['0番目の人', '1番目の人'] # 0から順番に識別する人の名前
test_image = [] # 識別する画像を入れる配列
for i in range(1, len(sys.argv)):
img = cv2.imread(sys.argv[i]) # 画像データ読込み
img = cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE)) # 画像データのリサイズ
test_image.append(img.flatten().astype(np.float32)/255.0) # 画像データを1列にし0～255を0～1のfloat値へ
test_image = np.asarray(test_image) # numpy形式に変換
images_placeholder = tf.placeholder("float", shape=(None, IMAGE_PIXELS)) # 画像 を入れる仮のTensor
labels_placeholder = tf.placeholder("float", shape=(None, NUM_CLASSES)) # ラベル を入れる仮のTensor
keep_prob = tf.placeholder("float") # dropout率を入れる仮のTensor
logits = inference(images_placeholder, keep_prob) # inference()を呼出しモデルを作成
sess = tf.InteractiveSession()
saver = tf.train.Saver() # 保存結果の読出し準備
sess.run(tf.global_variables_initializer()) # 変数の初期化
saver.restore(sess, os.getcwd() + "/model.ckpt") # 保存結果の読出し
for i in range(len(test_image)):
pr = logits.eval(feed_dict={images_placeholder: [test_image[i]], keep_prob: 1.0 })[0] # 識別する画像の評価
pred = np.argmax(pr)
print("{0} : {1}, {2} : {3}".format(TARGET_NAME[0], pr[0], TARGET_NAME[1], pr[1])) # NUM_CLASSESが3以上ならばここも拡張ください
print(TARGET_NAME[pred])
Good Luck !!!
