Entrenamiento del modelo de clasificación de perros y gatos

Clase 23 de 25 • Curso de Redes Neuronales Convolucionales con Python y Keras

Carlos Felipe Saldarriaga Bejarano

student•

🧙🏼‍♂️ Cuando estamos usando el flow_from_directory y definimos el class_mode 'binary' noten que identifica que cada carpeta corresponde a una categoría en particular. es importante que cuando carguemos nuestra data esté debidamente organizada para no causar desastres de ahí en adelante.

Miguel Rodríguez

student•

Logré un accuracy de 0.90 use una arquitectura diferente, con: C32, C64, C128, C256, C512, C512, D512, Dropout 0.3, D1

C Conv2D
D Dense

Dejo el link del Notebook, ya que también use las capas de MaxPool y BatchNormalization en cada convolución.

George Wang Lee Zevallos Durand

student•

Cuánto tiempo demoró en entrenarse tu modelo?

Sebastian Sarasti

student•

Como puedo cargar imágenes que no se encuentran etiquetadas por carpetas para entrenar el modelo. Existe alguna forma de entrenar los modelos de tensorflow directo con el file path de la imagen? El problema es que si cargo directo a la memoria RAM todo el data set, la computadora crashea. El dataset que estoy usando es el siguiente: https://www.kaggle.com/competitions/plant-pathology-2021-fgvc8/data

Alarcon7a

student•

Pero la carga de imágenes se está haciendo directo desde el filepath para este caso

luis fernando Tapia

student•

El error fue que en la capa de salida del modelo el profesor puso 1 neurona en vez de 2, solo hay que corregir eso y podras hacer predicciones

FELIX DAVID CORDOVA GARCIA

student•

si pones 2 no compila ,es 1

JOSE DANIEL HERNANDEZ BETANCUR

student•

Como es una clasificación binaria la capa de salida sólo tiene una neurona.

Cristian Barros

student•

Pregunta:

Cuando creamos el validation_generator:


test_datagen = ImageDataGenerator(rescale = 1. / 255) 

validation_generator = test_datagen.flow_from_directory("/content/drive/MyDrive/Platzi/Curso de Redes Neuronales Convolucionales con Python y Keras/cats_and_dogs/validation",
                                                    target_size = (150,150),
                                                    batch_size = 32,
                                                    class_mode = "binary"
                                                    )

```validation\_generator = test\_datagen.flow\_from\_directory("/content/drive/MyDrive/Platzi/Curso de Redes Neuronales Convolucionales con Python y Keras/cats\_and\_dogs/validation",                                                    target\_size = (150,150),                                                    batch\_size = 32,                                                    class\_mode = "binary"                                                    )

¿Por qué lo hacemos son test\_datagen, en lugar de crear un "val\_datagen" ?

Wavy noeb

student•

Buenas. Cuando intento visualizar el val_accuracy, así como el val_loss, estos no se vén solo se ven el accuracy y el loss.

train_generator = train_data_generation.flow_from_directory(
    '/kaggle/input/cnn-data-sources/cats_and_dogs/train',
    target_size=(150,150),
    batch_size=32,
    class_mode='binary'
)

validation_generator = train_data_generation.flow_from_directory(
    '/kaggle/input/cnn-data-sources/cats_and_dogs/validation',
    target_size=(150,150),
    batch_size=32,
    class_mode='binary'
)

checkpoint = ModelCheckpoint(
    'modelo_peros_gatos.hdf5',
    monitor='val_accuracy',
    verbose=1,
    save_best_only=True
)

model.compile(
    loss='binary_crossentropy',
    optimizer= optimizers.Adam(),
    metrics=['accuracy']
)

history = model.fit(
    train_generator,
    steps_per_epoch=2000//32,
    epochs=100,
    validation_data=validation_generator,
    validation_steps=10000//32,
    callbacks=[checkpoint]
)

plt.plot(history.history['accuracy'], label='Train')
plt.plot(history.history['val_accuracy'], label='Validation')
plt.legend()
plt.show()

plt.plot(history.history['loss'], label='Train loss')
plt.plot(history.history['val_loss'], label='Validation loss')
plt.legend()
plt.show()

Solo se vé la linea azul no la naranja. Porque puede ser. Que puede estar mal?

Gracias

Cristian Y. Juzga

student•

¿Por qué cuando corró el modelo en Colab no me cargan los datos?

Me sale el siguiente mensaje:

Found 0 images belonging to 0 classes.
Found 0 images belonging to 0 classes.

He cargado el conjunto de etiquetas desde mi google drive, pero cuando hago el llamado desde el código no me carga.

Gracias

Wavy noeb

student•

Comprueba que el path a donde este apuntando este bien. Ejemplo:

validation_generator = train_data_generation.flow_from_directory(
    '/kaggle/input/cnn-data-sources/cats_and_dogs/validation',
    target_size=(150,150),
    batch_size=32,
    class_mode='binary'
)

Iván Roberto Rivas Celeita

student•

Probé con un dataset de rostros humanos:

model = Sequential()

model.add(keras.layers.Conv2D(32, (3,3), activation="relu", input_shape=(150,150,3)))
model.add(keras.layers.MaxPooling2D(pool_size=(2,2)))

## conv 2
model.add(keras.layers.Conv2D(64, (3,3), activation="relu")) 
model.add(keras.layers.MaxPooling2D(pool_size=(2,2)))

## conv 3
model.add(keras.layers.Conv2D(128, (3,3), activation="relu"))
model.add(keras.layers.MaxPooling2D(pool_size=(2,2)))

## conv 4
model.add(keras.layers.Conv2D(128, (3,3), activation="relu")) 
model.add(keras.layers.MaxPooling2D(pool_size=(2,2)))

## Clasificación-Flatten
model.add(keras.layers.Flatten())
model.add(keras.layers.Dropout(0.5))
model.add(keras.layers.Dense(512, activation='relu'))
model.add(keras.layers.Dense(1, activation='sigmoid'))


model.summary()

train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,
    width_shift_range = 0.2,
    height_shift_range = 0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)

test_datagen = ImageDataGenerator(1./255)

train_generator= train_datagen.flow_from_directory('/kaggle/input/gender-recognition-200k-images-celeba/Dataset/Train',
                                 target_size=(150,150),
                                    batch_size=32,
                                  class_mode='binary'
                                 )
validation_generator=test_datagen.flow_from_directory('/kaggle/input/gender-recognition-200k-images-celeba/Dataset/Validation',
                                 target_size=(150,150),
                                    batch_size=32,
                                  class_mode='binary'
                                 )

Found 160000 images belonging to 2 classes.
Found 22598 images belonging to 2 classes.

  checkpoint = ModelCheckpoint('Model_caras.keras', monitor='val_accuracy', verbose=1, save_best_only=True)

model.compile(
    loss='binary_crossentropy',
    optimizer= keras.optimizers.Adam(),
    metrics=['accuracy']
)

hist = model.fit(train_generator, steps_per_epoch=2000//32,
                epochs=100,
                validation_data=validation_generator,
                validation_steps=1000//32,
                callbacks=[checkpoint])


```![](https://static.platzi.com/media/user_upload/image-10d85541-0508-461f-9b69-b2a47520674a.jpg)



```js
test_generator=test_datagen.flow_from_directory('/kaggle/input/gender-recognition-200k-images-celeba/Dataset/Test',
                                    target_size=(150,150),
                                    batch_size=32,
                                  class_mode='binary'
                                 )

test_generator=test_datagen.flow_from_directory('/kaggle/input/gender-recognition-200k-images-celeba/Dataset/Test',
                                    target_size=(150,150),
                                    batch_size=32,
                                  class_mode='binary'
                                 )
Found 20001 images belonging to 2 classes.

  model2 = keras.models.load_model('./Model_caras.keras')

626/626 ━━━━━━━━━━━━━━━━━━━━ 28s 44ms/step - accuracy: 0.9375 - loss: 13.6663

[14.009474754333496, 0.9361531734466553]

Iván Roberto Rivas Celeita

student•

Mario Alexander Vargas Celis

student•

Para entrenar un modelo de clasificación de perros y gatos con una red convolucional en Keras, puedes seguir estos pasos usando imágenes de entrenamiento y validación, además de técnicas de **Data Augmentation** para mejorar el rendimiento del modelo:

### Paso 1: Preparar el Dataset

Para este ejemplo, se asume que tienes las imágenes de perros y gatos en carpetas separadas para el conjunto de entrenamiento y validación:


data/

├── train/

│   ├── dogs/  # imágenes de perros

│   └── cats/  # imágenes de gatos

└── validation/

&#x20;   ├── dogs/

&#x20;   └── cats/

### Paso 2: Crear el Modelo


import tensorflow as tf

from tensorflow.keras import layers, models

from tensorflow.keras.preprocessing.image import ImageDataGenerator



\# Crear la red convolucional

model = models.Sequential(\[

&#x20;   layers.Conv2D(32, (3, 3), activation='relu', input\_shape=(150, 150, 3)),

&#x20;   layers.MaxPooling2D((2, 2)),

&#x20;   layers.Conv2D(64, (3, 3), activation='relu'),

&#x20;   layers.MaxPooling2D((2, 2)),

&#x20;   layers.Conv2D(128, (3, 3), activation='relu'),

&#x20;   layers.MaxPooling2D((2, 2)),

&#x20;   layers.Conv2D(128, (3, 3), activation='relu'),

&#x20;   layers.MaxPooling2D((2, 2)),

&#x20;   layers.Flatten(),

&#x20;   layers.Dropout(0.5),

&#x20;   layers.Dense(512, activation='relu'),

&#x20;   layers.Dense(1, activation='sigmoid')

])



model.compile(loss='binary\_crossentropy',

&#x20;             optimizer='adam',

&#x20;             metrics=\['accuracy'])



model.summary()

### Paso 3: Generar los Datos con Aumento de Datos


train\_datagen = ImageDataGenerator(

&#x20;   rescale=1./255,

&#x20;   rotation\_range=20,

&#x20;   width\_shift\_range=0.2,

&#x20;   height\_shift\_range=0.2,

&#x20;   shear\_range=0.2,

&#x20;   zoom\_range=0.2,

&#x20;   horizontal\_flip=True

)



validation\_datagen = ImageDataGenerator(rescale=1./255)



train\_generator = train\_datagen.flow\_from\_directory(

&#x20;   'data/train',

&#x20;   target\_size=(150, 150),

&#x20;   batch\_size=32,

&#x20;   class\_mode='binary'

)



validation\_generator = validation\_datagen.flow\_from\_directory(

&#x20;   'data/validation',

&#x20;   target\_size=(150, 150),

&#x20;   batch\_size=32,

&#x20;   class\_mode='binary'

)

### Paso 4: Entrenar el Modelo con Callbacks


checkpoint = tf.keras.callbacks.ModelCheckpoint(

&#x20;   filepath='best\_model.keras',

&#x20;   monitor='val\_accuracy',

&#x20;   save\_best\_only=True,

&#x20;   verbose=1

)



early\_stopping = tf.keras.callbacks.EarlyStopping(

&#x20;   monitor='val\_loss',

&#x20;   patience=5,

&#x20;   verbose=1,

&#x20;   restore\_best\_weights=True

)



history = model.fit(

&#x20;   train\_generator,

&#x20;   steps\_per\_epoch=train\_generator.samples // 32,

&#x20;   epochs=30,

&#x20;   validation\_data=validation\_generator,

&#x20;   validation\_steps=validation\_generator.samples // 32,

&#x20;   callbacks=\[checkpoint, early\_stopping]

)

### Paso 5: Evaluar el Modelo

Una vez entrenado, puedes evaluar el modelo en el conjunto de validación:


loss, accuracy = model.evaluate(validation\_generator)

print(f'Accuracy: {accuracy\*100:.2f}%')

Este modelo utiliza varias capas convolucionales y una capa de Dropout para evitar el sobreajuste, junto con técnicas de **Data Augmentation** para mejorar su capacidad de generalización. Los callbacks de **checkpoint** y **early stopping** guardan el mejor modelo y detienen el entrenamiento si el rendimiento no mejora.

Jhon Freddy Tavera Blandon

student•

Found 1000 images belonging to 2 classes. Found 2000 images belonging to 2 classes. Epoch 1/10 1/32 ━━━━━━━━━━━━━━━━━━━━ 5:50 11s/step - accuracy: 0.5000 - loss: 0.6948 31/32 ━━━━━━━━━━━━━━━━━━━━ 0s 387ms/step - accuracy: 0.5336 - loss: 0.7417 32/32 ━━━━━━━━━━━━━━━━━━━━ 41s 963ms/step - accuracy: 0.5326 - loss: 0.7399 - val_accuracy: 0.5755 - val_loss: 0.6924 Epoch 2/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 432us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00 Epoch 3/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 11s 289ms/step - accuracy: 0.5488 - loss: 0.6931 - val_accuracy: 0.5075 - val_loss: 0.6892 Epoch 4/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 303us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00 Epoch 5/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 11s 297ms/step - accuracy: 0.5186 - loss: 0.6887 - val_accuracy: 0.6245 - val_loss: 0.6655 Epoch 6/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 296us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00 Epoch 7/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 11s 304ms/step - accuracy: 0.6038 - loss: 0.6731 - val_accuracy: 0.6155 - val_loss: 0.6613 Epoch 8/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 367us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00 Epoch 9/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 11s 299ms/step - accuracy: 0.6291 - loss: 0.6470 - val_accuracy: 0.6290 - val_loss: 0.6559 Epoch 10/10 32/32 ━━━━━━━━━━━━━━━━━━━━ 0s 292us/step - accuracy: 0.0000e+00 - loss: 0.0000e+00 - val_accuracy: 0.0000e+00 - val_loss: 0.0000e+00

test_datagen = ImageDataGenerator(rescale = 1. / 255) 

validation_generator = test_datagen.flow_from_directory("/content/drive/MyDrive/Platzi/Curso de Redes Neuronales Convolucionales con Python y Keras/cats_and_dogs/validation",
                                                    target_size = (150,150),
                                                    batch_size = 32,
                                                    class_mode = "binary"
                                                    )

```validation\_generator = test\_datagen.flow\_from\_directory("/content/drive/MyDrive/Platzi/Curso de Redes Neuronales Convolucionales con Python y Keras/cats\_and\_dogs/validation",                                                    target\_size = (150,150),                                                    batch\_size = 32,                                                    class\_mode = "binary"                                                    )

¿Por qué lo hacemos son test\_datagen, en lugar de crear un "val\_datagen" ?

train_generator = train_data_generation.flow_from_directory(
    '/kaggle/input/cnn-data-sources/cats_and_dogs/train',
    target_size=(150,150),
    batch_size=32,
    class_mode='binary'
)

validation_generator = train_data_generation.flow_from_directory(
    '/kaggle/input/cnn-data-sources/cats_and_dogs/validation',
    target_size=(150,150),
    batch_size=32,
    class_mode='binary'
)

checkpoint = ModelCheckpoint(
    'modelo_peros_gatos.hdf5',
    monitor='val_accuracy',
    verbose=1,
    save_best_only=True
)

model.compile(
    loss='binary_crossentropy',
    optimizer= optimizers.Adam(),
    metrics=['accuracy']
)

history = model.fit(
    train_generator,
    steps_per_epoch=2000//32,
    epochs=100,
    validation_data=validation_generator,
    validation_steps=10000//32,
    callbacks=[checkpoint]
)

plt.plot(history.history['accuracy'], label='Train')
plt.plot(history.history['val_accuracy'], label='Validation')
plt.legend()
plt.show()

plt.plot(history.history['loss'], label='Train loss')
plt.plot(history.history['val_loss'], label='Validation loss')
plt.legend()
plt.show()

validation_generator = train_data_generation.flow_from_directory(
    '/kaggle/input/cnn-data-sources/cats_and_dogs/validation',
    target_size=(150,150),
    batch_size=32,
    class_mode='binary'
)

model = Sequential()

model.add(keras.layers.Conv2D(32, (3,3), activation="relu", input_shape=(150,150,3)))
model.add(keras.layers.MaxPooling2D(pool_size=(2,2)))

## conv 2
model.add(keras.layers.Conv2D(64, (3,3), activation="relu")) 
model.add(keras.layers.MaxPooling2D(pool_size=(2,2)))

## conv 3
model.add(keras.layers.Conv2D(128, (3,3), activation="relu"))
model.add(keras.layers.MaxPooling2D(pool_size=(2,2)))

## conv 4
model.add(keras.layers.Conv2D(128, (3,3), activation="relu")) 
model.add(keras.layers.MaxPooling2D(pool_size=(2,2)))

## Clasificación-Flatten
model.add(keras.layers.Flatten())
model.add(keras.layers.Dropout(0.5))
model.add(keras.layers.Dense(512, activation='relu'))
model.add(keras.layers.Dense(1, activation='sigmoid'))


model.summary()

train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,
    width_shift_range = 0.2,
    height_shift_range = 0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)

test_datagen = ImageDataGenerator(1./255)

train_generator= train_datagen.flow_from_directory('/kaggle/input/gender-recognition-200k-images-celeba/Dataset/Train',
                                 target_size=(150,150),
                                    batch_size=32,
                                  class_mode='binary'
                                 )
validation_generator=test_datagen.flow_from_directory('/kaggle/input/gender-recognition-200k-images-celeba/Dataset/Validation',
                                 target_size=(150,150),
                                    batch_size=32,
                                  class_mode='binary'
                                 )

Found 160000 images belonging to 2 classes.
Found 22598 images belonging to 2 classes.

  checkpoint = ModelCheckpoint('Model_caras.keras', monitor='val_accuracy', verbose=1, save_best_only=True)

model.compile(
    loss='binary_crossentropy',
    optimizer= keras.optimizers.Adam(),
    metrics=['accuracy']
)

hist = model.fit(train_generator, steps_per_epoch=2000//32,
                epochs=100,
                validation_data=validation_generator,
                validation_steps=1000//32,
                callbacks=[checkpoint])


```![](https://static.platzi.com/media/user_upload/image-10d85541-0508-461f-9b69-b2a47520674a.jpg)



```js
test_generator=test_datagen.flow_from_directory('/kaggle/input/gender-recognition-200k-images-celeba/Dataset/Test',
                                    target_size=(150,150),
                                    batch_size=32,
                                  class_mode='binary'
                                 )

test_generator=test_datagen.flow_from_directory('/kaggle/input/gender-recognition-200k-images-celeba/Dataset/Test',
                                    target_size=(150,150),
                                    batch_size=32,
                                  class_mode='binary'
                                 )
Found 20001 images belonging to 2 classes.

  model2 = keras.models.load_model('./Model_caras.keras')

626/626 ━━━━━━━━━━━━━━━━━━━━ 28s 44ms/step - accuracy: 0.9375 - loss: 13.6663

[14.009474754333496, 0.9361531734466553]

import tensorflow as tf

from tensorflow.keras import layers, models

from tensorflow.keras.preprocessing.image import ImageDataGenerator

\# Crear la red convolucional

model = models.Sequential(\[

&#x20;   layers.Conv2D(32, (3, 3), activation='relu', input\_shape=(150, 150, 3)),

&#x20;   layers.MaxPooling2D((2, 2)),

&#x20;   layers.Conv2D(64, (3, 3), activation='relu'),

&#x20;   layers.MaxPooling2D((2, 2)),

&#x20;   layers.Conv2D(128, (3, 3), activation='relu'),

&#x20;   layers.MaxPooling2D((2, 2)),

&#x20;   layers.Conv2D(128, (3, 3), activation='relu'),

&#x20;   layers.MaxPooling2D((2, 2)),

&#x20;   layers.Flatten(),

&#x20;   layers.Dropout(0.5),

&#x20;   layers.Dense(512, activation='relu'),

&#x20;   layers.Dense(1, activation='sigmoid')

])

model.compile(loss='binary\_crossentropy',

&#x20;             optimizer='adam',

&#x20;             metrics=\['accuracy'])

model.summary()

train\_datagen = ImageDataGenerator(

&#x20;   rescale=1./255,

&#x20;   rotation\_range=20,

&#x20;   width\_shift\_range=0.2,

&#x20;   height\_shift\_range=0.2,

&#x20;   shear\_range=0.2,

&#x20;   zoom\_range=0.2,

&#x20;   horizontal\_flip=True

)

validation\_datagen = ImageDataGenerator(rescale=1./255)

train\_generator = train\_datagen.flow\_from\_directory(

&#x20;   'data/train',

&#x20;   target\_size=(150, 150),

&#x20;   batch\_size=32,

&#x20;   class\_mode='binary'

)

validation\_generator = validation\_datagen.flow\_from\_directory(

&#x20;   'data/validation',

&#x20;   target\_size=(150, 150),

&#x20;   batch\_size=32,

&#x20;   class\_mode='binary'

)

checkpoint = tf.keras.callbacks.ModelCheckpoint(

&#x20;   filepath='best\_model.keras',

&#x20;   monitor='val\_accuracy',

&#x20;   save\_best\_only=True,

&#x20;   verbose=1

)

early\_stopping = tf.keras.callbacks.EarlyStopping(

&#x20;   monitor='val\_loss',

&#x20;   patience=5,

&#x20;   verbose=1,

&#x20;   restore\_best\_weights=True

)

history = model.fit(

&#x20;   train\_generator,

&#x20;   steps\_per\_epoch=train\_generator.samples // 32,

&#x20;   epochs=30,

&#x20;   validation\_data=validation\_generator,

&#x20;   validation\_steps=validation\_generator.samples // 32,

&#x20;   callbacks=\[checkpoint, early\_stopping]

)

Entrenamiento del modelo de clasificación de perros y gatos

Redes convolucionales y su importancia

La importancia del computer vision

¿Qué herramientas usaremos para redes neuronales convolucionales?

¿Qué son las redes convolucionales?

Mi primera red neuronal convolucional

Creando nuestra primera red convolucional

Entrenando nuestra primera red convolucional

Manejo de imágenes

Consejos para el manejo de imágenes

Manejo de imágenes con Python

Fundamentos de redes neuronales convolucionales

Kernel en redes neuronales

El kernel en acción

Padding y Strides

Capa de pooling

Arquitectura de redes convolucionales

Resolviendo un problema de clasificación

Clasificación con redes neuronales convolucionales

Creación de red convolucional para clasificación

Entrenamiento de un modelo de clasificación con redes convolucionales

Optimización de red neuronal convolucional

Data augmentation

Aplicando data augmentation

Callbacks: early stopping y checkpoints

Batch normalization

Optimización de modelo de clasificación

Entrenamiento de nuestro modelo de clasificación optimizado

Resolviendo una competencia de Kaggle

Clasificando entre perros y gatos

Entrenamiento del modelo de clasificación de perros y gatos

Resumen y siguientes pasos

Siguientes pasos con redes neuronales convolucionales

Comparte tu proyecto de clasificación con redes convolucionales y certifícate