Código de Python - Crear modelo con datos CIFAR 10.

Crear modelo con datos CIFAR 10.

Python

Publicado el 20 de Enero del 2024 por Hilario (143 códigos)

439 visualizaciones desde el 20 de Enero del 2024

PREGUNTA DEL EJERCICIO.
------------------------------------------
Considerando que tengo que entrenar mi modelo con datos Cifar 10, Guardandolo en esta ruta:'/home/margarito/python/Mi_Modulo_Hilario.h5'.

Necesito crear un test python -basandonos en el modelo:/Mi_Modulo_Hilario.h5, para determinar la clase de esta imagen que esta en esta ruta:/home/margarito/python/gato.jpg.
Para el ejercicio debes de considerar que el archivo de datos Cifar 10, abarca las siguientes clases:

clase 0: airplane
clase 1: automobile
clase 2: bird
clase 3: cat
clase 4: deer
clase 5: dog
clase 6: frog
clase 7: horse
clase 8: ship
clase 9: truck

En el ejercicio se deberá decir de que clase es la imagen del test.
También se deberá de visualizar la imagen_array), en que te basas para hacer dicha predicción.
***************************************************************************************************************
Bien, podríamos plantear una estructura básica del proyecto como sigue:

Como podría ser una estructura del Proyecto:

Proyecto_Mi_CNN/
│
├── cifar-10/
│ ├── data_batch_2
│ └── ...
│
├── src/
│ ├── __init__.py
│ ├── train_model.py
│ └── test_model.py
│
└── Mi_Modulo_Hilario.h5

--------------------------------------------------------------------------

Para descargar los datos de imagenes Cifar 10, podeis utilizar este enlace:
https://www.cs.toronto.edu/~kriz/cifar.html
Se abrirá un pequeño manual explicativo, y desde el mismo se verán todas las opciones de descarga,
así como el tipo de datos para generar modelos que abarca Cifar 10.
*******************************************************************************************************************
Este ejercicio ha sido realizado bajo platadorma Linux.
Ubuntu 20.04.6 LTS.
Editado con sublime Text.
-------------------------------------------------------------------------------------------------------------
Para la ejecución correcta del programa en Python debereis tener cargadas para importar,
estas librerías:

import tensorflow as tf
from tensorflow.keras.preprocessing import image
from tensorflow.keras.models import load_model
import numpy as np
import matplotlib.pyplot as plt

Requerimientos

Este ejercicio ha sido realizado bajo platadorma Linux.
Ubuntu 20.04.6 LTS.
Editado con sublime Text.
-------------------------------------------------------------------------------------------------------------
Para la ejecución correcta del programa en Python debereis tener cargadas para importar,
estas librerías:

import tensorflow as tf
from tensorflow.keras.preprocessing import image
from tensorflow.keras.models import load_model
import numpy as np
import matplotlib.pyplot as plt

V-0.

Publicado el 20 de Enero del 2024

gráfica de visualizaciones de la versión: V-0.

440 visualizaciones desde el 20 de Enero del 2024

100

101

102

103

CREACIÓN DEL MODELO.

                                         ------------------------------------

#Ejecución:python3 Aula-28-B_modelo.py

import tensorflow as tf

from tensorflow.keras import layers, models

import numpy as np

import pickle

# Montar Google Drive

# Ruta al archivo data_batch_1

data_directory = '/home/margarito/python/cifar-10/data_batch_2'

# Cargar el conjunto de datos CIFAR-10 desde la ubicación en Google Drive

with open(data_directory, 'rb') as file:

    cifar_data = pickle.load(file, encoding='bytes')

# Normalizar los valores de píxeles al rango [0, 1]

x_train, x_test = cifar_data[b'data'] / 255.0, cifar_data[b'data'] / 255.0

y_train, y_test = np.array(cifar_data[b'labels']), np.array(cifar_data[b'labels'])  # Convertir a numpy array

# Reformatear los datos para que coincidan con las expectativas del modelo

x_train = x_train.reshape((len(x_train), 32, 32, 3))

x_test = x_test.reshape((len(x_test), 32, 32, 3))

# Definir el modelo de red convolucional

model = models.Sequential([

    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),

    layers.MaxPooling2D((2, 2)),

    layers.Flatten(),

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

    layers.Dense(10)

])

# Compilar el modelo

model.compile(optimizer='adam',

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

              metrics=['accuracy'])

# Entrenar el modelo

model.fit(x_train, y_train, epochs=10)

# Evaluar el modelo en el conjunto de

# Guardar el modelo entrenado

model.save('/home/margarito/python/Mi_Modulo_Hilario.h5')

                                                 CREACIÓN DEL TEST.

                                               ----------------------------------

#Ejecucion: python3 Aula-28-B_test.py

import tensorflow as tf

from tensorflow.keras.preprocessing import image

from tensorflow.keras.models import load_model

import numpy as np

import matplotlib.pyplot as plt

# Cargar el modelo previamente entrenado

modelo = load_model('/home/margarito/python/Mi_Modulo_Hilario.h5')

# Definir las clases de CIFAR-10

clases_cifar10 = {

    0: 'airplane',

    1: 'automobile',

    2: 'bird',

    3: 'cat',

    4: 'deer',

    5: 'dog',

    6: 'frog',

    7: 'horse',

    8: 'ship',

    9: 'truck'

# Cargar y preprocesar la imagen de prueba

ruta_imagen = '/home/margarito/python/aeroplano.png'

imagen = image.load_img(ruta_imagen, target_size=(32, 32))

imagen_array = image.img_to_array(imagen)

imagen_array = np.expand_dims(imagen_array, axis=0)

imagen_array /= 255.0  # Normalizar los valores de píxeles al rango [0, 1]

# Realizar la predicción

prediccion = modelo.predict(imagen_array)

clase_predicha = np.argmax(prediccion)

# Mostrar los píxeles de la imagen

plt.imshow(imagen_array[0])

plt.title(f'Clase Predicha: {clases_cifar10[clase_predicha]}')

plt.show()

# Mostrar los valores de los píxeles de la imagen

print("Valores de los píxeles de la imagen:")

print(imagen_array.squeeze())

Comentarios sobre la versión: V-0. (0)

No hay comentarios

Comentar la versión: V-0.


Nombre

Correo (no se visualiza en la web)

Valoración

Comentarios...

CerrarCerrar

Es necesario revisar y aceptar las políticas de privacidad

Acepto las políticas de privacidad

http://lwp-l.com/s7487

Tags:
cifar 10

Predicción más próxima. CNN

Descenso de gradiente tipo:RMSprop

Código de Python - Crear modelo con datos CIFAR 10.

Requerimientos

V-0.

Comentarios sobre la versión: V-0. (0)

Comentar la versión: V-0.

Tienes que ser un usuario registrado para poder insertar imágenes, archivos y/o videos.