728x90
반응형
SMALL
📄예제에 사용할 데이터셋
https://www.kaggle.com/datasets/pmigdal/alien-vs-predator-images
📍 캐글에서 데이터셋 다운로드하여 사용하는법
- 캐글 로그인 ➡️ 본인 계정 클릭 ➡️ Your Porfile ➡️ Account ➡️ API 항목의 Create New Token ➡️ json 다운로드
1. 에일리언 vs 프레데터 데이터셋
import os
# 캐글에서 데이터셋을 받을때 토큰값을 보내 접근 가능하게 함
os.environ['KAGGLE_USERNAME'] = '****' # username
os.environ['KAGGLE_KEY'] = ****' # token key
# 데이터셋 다운로드
!kaggle datasets download -d pmigdal/alien-vs-predator-images
!unzip -q alien-vs-predator-images.zip
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
from torchvision import datasets, models, transforms
from torch.utils.data import DataLoader
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(device)
>>> cuda
2. 이미지 증강 기법(Image Augmentation)
[도큐먼트] https://pytorch.org/vision/master/transforms.html
- 원본 이미지(데이터)를 조작하여 원본과는 크고 작은 변화를 가진 이미지를 생성
- 이미지에 다양한 변환을 적용하여 데이터셋을 다양화하고 확장하는 방법
- 일반적으로 모델 성능이 좋아짐
- 오버피팅(Over fitting) 방지
# Compose(): 여러개의 함수를 한꺼번에 적용하는 함수(여러 이미지 변환 함수들을 연속적으로 적용)
data_transforms = {
'train':transforms.Compose([
transforms.Resize([224, 224]),
transforms.RandomAffine(0, shear=10, scale=(0.8 , 1.2)), # 랜덤하게 변경할 것을 선택(인덱스 0번부터 10가지 선택, 크기는 범위 +-20%하여 랜덤하게 변경)
transforms.RandomHorizontalFlip(), # 랜덤하게 이미지 좌우 반전
transforms.ToTensor() # 이미지를 텐서형으로 변환
]),
# 테스트 할 이미지
'validation': transforms.Compose([
transforms.Resize([224, 224]), # 사이즈 맞춤
transforms.ToTensor() # 텐서 변환
])
}
# 타겟 데이터를 받아 텐서형으로 바꿔주는 함수
def target_transforms(target):
return torch.FloatTensor([target])
# ImageFolder(): 특정 이미지 폴더를 데이터셋화 시킴, (데이터 경로, 데이터셋에 대해 적용할 이미지 변환(transform) 함수, 'train' 데이터셋의 타겟(레이블)에 대해 적용할 변환 함수)
# 데이터 셋 만들기
image_datasets = {
'train': datasets.ImageFolder('data/train', data_transforms['train'], target_transform=target_transforms), # data 폴더 안에 train 폴더를 데이터셋화
'validation': datasets.ImageFolder('data/validation', data_transforms['validation'], target_transform=target_transforms)
}
# 데이터로더 만들기
dataloaders ={
'train': DataLoader(
image_datasets['train'],
batch_size=32, # 배치 사이즈 32
shuffle=True # 데이터 섞어줌
),
'validation':DataLoader(
image_datasets['validation'],
batch_size=32,
shuffle=False # # 데이터 셔플 안함
)
}
print(len(image_datasets['train']), len(image_datasets['validation']))
>>> 694 200
imgs, labels = next(iter(dataloaders['train']))
fig, axes = plt.subplots(4, 8, figsize=(20, 10))
for img, label, ax in zip(imgs, labels, axes.flatten()):
ax.set_title(label.item())
ax.imshow(img.permute(1,2,0)) # 텐서에 저장되어있을 때 shape(컬러, 가로, 세로) -> matplotlib에서는 (가로, 세로, 컬러채널)
ax.axis('off')
3. 전이 학습(Transfer Learning)
- 하나의 작업을 위해 훈련된 모델을 유사 작업 수행 모델의 시작점으로 활용하는 딥러닝 접근법
- 신경망은 처음부터 새로 학습하는것 보다 전이 학습을 통해 업데이트하고 재학습하는 편이 더 빠르고 간편함
- 전이 학습은 여러 응용 분야 중에서도 특히 검출, 영상 인식, 음성 인식, 글자 검색 분야에 많이 사용
3-1. 전이 학습 시 고려할 점
- 크기: 모델 크기의 중요성은 모델을 배포할 위치와 방법에 따라 달라짐
- 정확도: 재훈련전의 모델 성능은 어느정도인지 확인이 필요
- 예측 속도: 하드웨어 및 배치 크기와 같은 다른 딥러닝 요소는 물론 선택된 모델의 아키텍처와 모델 크기에 따라서도 달라짐
4. 사전 학습 된 ResNet50 모델
[파이토치에서 제공하는 사전학습된 모델들] https://pytorch.org/vision/stable/models.html
4-1. 이미지넷(ImageNet)
- 이미지 데이터베이스
- 1000개의 동물과 사물 이미지를 포함
✅ 파이토치에서 제공하는 model가져와 미리 학습된 모델을 사용하기
model = models.resnet50(weights='IMAGENET1K_V1').to(device) # models.resnet50(pretrained=True).to(device) 와 비슷 -> 미리 학습된 모델을 쓰겠다.
print(model)
4-2. Freeze Layers
- 특징을 뽑아내는 CNN의 앞쪽 컨볼루션 레이어들은 학습을 하지 않도록 설정(학습을 시키지 않음)
- 출력 부분의 레이어(fc 레이어)를 다시 설정하여 분류에 맞게 설정 (원래 Resnet50 모델은 분류를 1000개의 클래스로 하는데 우리는 에일리언/프레데터 두가지로 분류하여야 하기 때문에)
✅ 출력레이어 설정 변경하기
for param in model.parameters():
param.requires_grad = False # 가져온 파라미터(W, b)를 업데이트 하지 않음
# 모델의 FC 레이어
model.fc = nn.Sequential(
nn.Linear(2048, 128), # 입력 크기가 2048이고 출력 크기가 128인 선형 레이어
nn.ReLU(),
nn.Linear(128,1), # 128차원의 특성을 1차원으로 줄이고, 최종 예측 값을 출력
nn.Sigmoid() # 출력을 0과 1 사이로 제한하여 이진 분류 문제에서 확률 값
).to(device)
✅ 모델 학습 - FC부분만 학습하므로 속도가 빠름
optimizer = optim.Adam(model.fc.parameters(), lr=0.001)
epochs = 10
for epoch in range(epochs+1):
for phase in ['train', 'validation']: # train과 validation 따로 반복문을 돌아
if phase == 'train':
model.train()
else:
model.eval() # 학습 모드에 있던 메모리를 지우고 바로 Test모드(훨씬 빠름)
sum_losses = 0
sum_accs = 0
for x_batch, y_batch in dataloaders[phase]: # train이라면 train에 대한 데이터로더, validataion이라면 validation에 대한 데이터로더 (따로 쓰지 않고 합쳐서 씀)
x_batch = x_batch.to(device)
y_batch = y_batch.to(device)
y_pred = model(x_batch)
loss = nn.BCELoss()(y_pred, y_batch)
if phase == 'train':
optimizer.zero_grad()
loss.backward()
optimizer.step()
sum_losses = sum_losses + loss
y_bool = (y_pred >= 0.5).float()
acc = (y_batch == y_bool).float().sum() / len(y_batch) * 100
sum_accs = sum_accs + acc
avg_loss = sum_losses / len(dataloaders[phase])
avg_acc = sum_accs / len(dataloaders[phase])
print(f'{phase:10s}: Epoch {epoch+1:4d}/{epochs}, Loss: {avg_loss:.4f}, Accuracy: {avg_acc:.2f}%')
✅ 모델의 현재 상태를 담고 있는 딕셔너리를 반환하고 'model.h5'라는 이름으로 저장
torch.save(model.state_dict(), 'model.h5')
✅ ResNet50 모델에서 이미지넷을 학습하지 않고 모델 불러오기
# 이미지넷 가져오지않음 (껍데기만 가져옴)
model = models.resnet50().to(device)
# 모델의 FC 레이어
model.fc = nn.Sequential(
nn.Linear(2048, 128), # 입력 크기가 2048이고 출력 크기가 128인 선형 레이어
nn.ReLU(),
nn.Linear(128,1), # 128차원의 특성을 1차원으로 줄이고, 최종 예측 값을 출력
nn.Sigmoid() # 출력을 0과 1 사이로 제한하여 이진 분류 문제에서 확률 값
).to(device)
✅ 모델 학습
# 이미지 학습을 하지 않고 모델 빈껍데기만 가져왔을 때 정확도 -> 떨어짐
optimizer = optim.Adam(model.fc.parameters(), lr=0.001)
epochs = 10
for epoch in range(epochs):
for phase in ['train', 'validation']:
if phase == 'train':
model.train()
else:
model.eval()
sum_losses = 0
sum_accs = 0
for x_batch, y_batch in dataloaders[phase]:
x_batch = x_batch.to(device)
y_batch = y_batch.to(device)
y_pred = model(x_batch)
loss = nn.BCELoss()(y_pred, y_batch)
if phase == 'train':
optimizer.zero_grad()
loss.backward()
optimizer.step()
sum_losses = sum_losses + loss.item()
y_bool = (y_pred >= 0.5).float()
acc = (y_batch == y_bool).float().sum() / len(y_batch) * 100
sum_accs = sum_accs + acc.item()
avg_loss = sum_losses / len(dataloaders[phase])
avg_acc = sum_accs / len(dataloaders[phase])
print(f'{phase:10s}: Epoch {epoch+1:4d}/{epochs}, Loss: {avg_loss:.4f}, Accuracy: {avg_acc:.2f}%')
✅ 위에서 학습하고 저장한 model.h5 로드하기
model.load_state_dict(torch.load('model.h5'))
model.eval() # 학습모드는 끄고 테스트 모드로
✅ 로드된 모델을 평가모드로 사용하기
# 학습한 모델을 가져와서 평가했을 때(빈 껍데기에 model.h5를 로드하여 검증하면 W, b가 들어감)
optimizer = optim.Adam(model.fc.parameters(), lr=0.001)
epochs = 10
for epoch in range(epochs):
for phase in ['train', 'validation']:
if phase == 'train':
model.train()
else:
model.eval()
sum_losses = 0
sum_accs = 0
for x_batch, y_batch in dataloaders[phase]:
x_batch = x_batch.to(device)
y_batch = y_batch.to(device)
y_pred = model(x_batch)
loss = nn.BCELoss()(y_pred, y_batch)
if phase == 'train':
optimizer.zero_grad()
loss.backward()
optimizer.step()
sum_losses = sum_losses + loss.item()
y_bool = (y_pred >= 0.5).float()
acc = (y_batch == y_bool).float().sum() / len(y_batch) * 100
sum_accs = sum_accs + acc.item()
avg_loss = sum_losses / len(dataloaders[phase])
avg_acc = sum_accs / len(dataloaders[phase])
print(f'{phase:10s}: Epoch {epoch+1:4d}/{epochs}, Loss: {avg_loss:.4f}, Accuracy: {avg_acc:.2f}%')
✅ 테스트할 이미지 불러와 시각화하기
from PIL import Image # 이미지를 코랩에서 띄우기
img1 = Image.open('data/validation/alien/32.jpg') # validation에 있는 이미지 쓰기
img2 = Image.open('data/validation/predator/45.jpg')
fig, axes = plt.subplots(1,2, figsize=(12,6))
axes[0].imshow(img1)
axes[0].axis('off')
axes[1].imshow(img2)
axes[1].axis('off')
plt.show()
✅ data_transforms의 validation 키의 value 값에 img1을 통과시킴 ➡️ Resize되고 Tensor로 변환
img1_input = data_transforms['validation'](img1)
img2_input = data_transforms['validation'](img2)
print(img1_input.shape)
print(img2_input.shape)
>>>
torch.Size([3, 224, 224])
torch.Size([3, 224, 224])
✅ 두 이미지를 하나의 이미지 텐서로 결합
test_batch = torch.stack([img1_input, img2_input]) # 두 이미지를 첫 번째 차원(배치 차원)으로 결합
test_batch = test_batch.to(device)
test_batch.shape # 두 개 이미지가 붙음, torch.Size([2, 3, 224, 224]): (2(배치크기), 컬러채널, 세로, 가로)
>>> torch.Size([2, 3, 224, 224])
✅모델을 통해 이진 분류 예측하기
y_pred = model(test_batch)
y_pred
>>> tensor([[0.2478],
[0.9446]], device='cuda:0', grad_fn=<SigmoidBackward0>)
✅ 예측된 결과 시각화
fig, axes = plt.subplots(1,2, figsize=(12,6))
axes[0].set_title(f'{(1-y_pred[0,0]) * 100:.2f}% Alien, {y_pred[0,0] * 100:.2f}% Predator')
axes[0].imshow(img1)
axes[0].axis('off')
axes[1].set_title(f'{(1-y_pred[1,0]) * 100:.2f}% Alien, {y_pred[1,0] * 100:.2f}% Predator')
axes[1].imshow(img2)
axes[1].axis('off')
plt.show()
728x90
반응형
LIST
'Python > ML&DL' 카테고리의 다른 글
[파이썬, Python] 딥러닝 - 3️⃣ 다중 분류 신경망 모델 구현하기! (0) | 2023.07.02 |
---|---|
[파이썬, Python] 딥러닝 - 1️⃣ CNN(Convolutional Neural Network (0) | 2023.07.01 |
[파이썬, Python] 활성화 함수(Activation Function) 종류에 대해 알아보자! (0) | 2023.06.29 |
[파이썬, Python] 딥러닝(DeepLearning) - 퍼셉트론과 역전파 (0) | 2023.06.29 |
[파이썬, Python] 데이터로더(DataLoader) - 배치 단위로 학습시키기! (0) | 2023.06.29 |