云层区分神经网络模型——二分类

云层区分神经网络模型——二分类在这里插入图片描述

问奶奶，是什么让他们维护一份感情长达年，奶奶说那个年代什么东西坏了都会想要修，现在什么坏了都想着换。

安装依赖

# 要运行脚本，请先安装以下库：
 pip install tensorflow
 pip install matplotlib
 pip install numpy

数据准备

训练模型时，通过给定的数据集目录结构来区分有云和没有云的图片。数据集目录结构已经在之前的回答中说明过，其中不同的类别（clouds 和 no_clouds）被分别放置在不同的子目录中。ImageDataGenerator 会根据目录结构自动为图片分配标签，这样在训练过程中模型就可以学习到哪些图片是有云的，哪些是没有云的。

确保你的数据集目录结构如下所示：

dataset/
    train/
        clouds/
            cloud_image_001.jpg
            cloud_image_002.jpg
            ...
        no_clouds/
            no_cloud_image_001.jpg
            no_cloud_image_002.jpg
            ...
    validation/
        clouds/
            cloud_image_101.jpg
            cloud_image_102.jpg
            ...
        no_clouds/
            no_cloud_image_101.jpg
            no_cloud_image_102.jpg
            ...
    test/
        clouds/
            cloud_image_201.jpg
            cloud_image_202.jpg
            ...
        no_clouds/
            no_cloud_image_201.jpg

引入依赖

import os
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.models import Sequential
from tensorflow.keras.optimizers import RMSprop
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

设置图片路径

# 设置图片的目录路径
train_dir = './data/train'
validation_dir = './data/validation'
test_dir = './data/test'

# 设置图片的参数
img_width, img_height = 224, 224 #图片大小，选择吉祥数224
batch_size = 32 #训练批次大小
epochs = 30 #x训练轮次

数据处理

#云层通常是白色的，所以在数据增强时可以考虑一些特定的处理方式,如调整亮度、对比度等，以增加模型的鲁棒性。
#创建训练数据增强生成器
train_datagen = ImageDataGenerator(
    rescale=1./255,  # 将像素值缩放到0和1之间
    rotation_range=20,  # 图像随机旋转的角度范围（0-20度）
    width_shift_range=0.2,  # 图像宽度平移的范围（占总宽度的比例）
    height_shift_range=0.2,  # 图像高度平移的范围（占总高度的比例）
    shear_range=0.2,  # 图像错切变换的角度范围
    zoom_range=0.2,  # 图像随机缩放的范围
    brightness_range=[0.8, 1.2],  # 图像亮度随机调整的范围
    horizontal_flip=True,  # 随机水平翻转图像
    fill_mode='nearest'  # 填充新创建像素的方法
)

#创建测试数据生成器
test_datagen = ImageDataGenerator(rescale=1./255)
#创建训练数据生成器：
train_generator = train_datagen.flow_from_directory(
    train_dir,  # 训练数据所在目录
    target_size=(img_width, img_height),  # 将所有图像调整为相同的目标大小
    batch_size=batch_size,  # 每次生成的批量大小
    class_mode='binary'  # 二分类模式
)

#创建验证数据生成器
validation_generator = test_datagen.flow_from_directory(
    validation_dir,  # 验证数据所在目录
    target_size=(img_width, img_height),  # 将所有图像调整为相同的目标大小
    batch_size=batch_size,  # 每次生成的批量大小
    class_mode='binary'  # 二分类模式
)

创建神经网络模型

#考虑增加卷积层的深度和/或数量，以增强模型的特征提取能力。
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(img_width, img_height, 3)),
    MaxPooling2D(2, 2),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(2, 2),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D(2, 2),
    Conv2D(256, (3, 3), activation='relu'),  # 增加一层卷积层
    MaxPooling2D(2, 2),
    Flatten(),
    Dense(512, activation='relu'),
    Dropout(0.5),
    Dense(1, activation='sigmoid')
])

编译模型

#尝试不同的学习率和优化器，以优化模型的收敛速度和准确率。
model.compile(optimizer=RMSprop(learning_rate=1e-4), loss='binary_crossentropy', metrics=['accuracy'])

训练模型

history = model.fit(
    train_generator,
    steps_per_epoch=train_generator.samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=validation_generator.samples // batch_size
)

收集训练参数

acc = history.history['accuracy']   #训练集准确率
val_acc = history.history['val_accuracy'] #验证集准确率
loss = history.history['loss'] #训练集损失率
val_loss = history.history['val_loss']  #验证集损失率
epochs_range = range(len(acc)) #横轴坐标
plt.figure(figsize=(12, 6)) #画布大小

绘制准确率曲线

plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

绘制损失曲线

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

测试集评估模型

test_generator = test_datagen.flow_from_directory(
    test_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary'
)

test_loss, test_acc = model.evaluate(test_generator, steps=test_generator.samples // batch_size)
print(f'Test accuracy: {test_acc}')

使用模型批量处理图片

import os
import shutil
import numpy as np
from tensorflow.keras.preprocessing import image
from PIL import Image

# 预测新图片
def predict_image(img_path, model):
    img = image.load_img(img_path, target_size=(224, 224))  # 修改为 (224, 224)
    img_tensor = image.img_to_array(img) / 255.0
    img_tensor = np.expand_dims(img_tensor, axis=0)
    
    prediction = model.predict(img_tensor)
    return prediction[0][0]

# 指定图片文件夹路径
image_folder = './images'
cloudy_folder = './cloudy_images'

# 创建保存有云图片的文件夹
if not os.path.exists(cloudy_folder):
    os.makedirs(cloudy_folder)

# 遍历文件夹中的所有图片
for filename in os.listdir(image_folder):
    if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
        img_path = os.path.join(image_folder, filename)
        prediction = predict_image(img_path, model)
        
        if prediction > 0.5:
            shutil.move(img_path, os.path.join(cloudy_folder, filename))
            print(f'The image at {img_path} contains clouds and has been moved to {cloudy_folder}. Prediction: {prediction}')
        else:
            print(f'The image at {img_path} does not contain clouds. Prediction: {prediction}')

# 显示最后处理的一张图片
if prediction > 0.5:
    img = Image.open(os.path.join(cloudy_folder, filename))
else:
    img = Image.open(os.path.join(image_folder, filename))
img.show()

为了将训练好的模型保存起来，并在后续的代码中直接调用，可以使用TensorFlow和Keras提供的模型保存和加载方法。以下是保存和加载模型的具体步骤：

保存模型

在训练完成后，可以将模型保存到一个文件中，以便以后加载和使用。

# 保存模型到文件
model.save('cloud_model.h5')

加载模型

在需要使用模型的时候，可以从文件中加载已保存的模型。

from tensorflow.keras.models import load_model

# 从文件中加载模型
model = load_model('cloud_model.h5')

完整的代码示例

包括模型保存、加载和预测新图片，并将有云的图片移动到指定文件夹：

import os
import shutil
import numpy as np
from tensorflow.keras.preprocessing import image
from PIL import Image

# 预测新图片
def predict_image(img_path, model):
    img = image.load_img(img_path, target_size=(224, 224))  # 修改为 (224, 224)
    img_tensor = image.img_to_array(img) / 255.0
    img_tensor = np.expand_dims(img_tensor, axis=0)
    #这里就会调用直接训练好的模型
    prediction = model.predict(img_tensor)
    return prediction[0][0]

# 指定图片文件夹路径
image_folder = './images'
cloudy_folder = './cloudy_images'

# 创建保存有云图片的文件夹
if not os.path.exists(cloudy_folder):
    os.makedirs(cloudy_folder)

# 遍历文件夹中的所有图片
for filename in os.listdir(image_folder):
    if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
        img_path = os.path.join(image_folder, filename)
        prediction = predict_image(img_path, model)
        
        if prediction > 0.5:
            shutil.move(img_path, os.path.join(cloudy_folder, filename))
            print(f'The image at {img_path} contains clouds and has been moved to {cloudy_folder}. Prediction: {prediction}')
        else:
            print(f'The image at {img_path} does not contain clouds. Prediction: {prediction}')

# 显示最后处理的一张图片
if prediction > 0.5:
    img = Image.open(os.path.join(cloudy_folder, filename))
else:
    img = Image.open(os.path.join(image_folder, filename))
img.show()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/745419.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

健康管理系统

健康管理系统

摘 要 随着现代社会生活节奏的加快和工作压力的增大，人们对健康管理的需求日益凸显。传统的健康管理方式，如定期体检、手动记录健康数据等，已经无法满足现代人对健康管理的即时性、全面性和个性化需求。因此，开发一款高效、便捷的…
阅读更多...
Docker三分钟部署ElasticSearch平替MeiliSearch轻量级搜索引擎

Docker三分钟部署ElasticSearch平替MeiliSearch轻量级搜索引擎

👩🏽‍💻个人主页：阿木木AEcru (更多精彩内容可进入主页观看) 🔥 系列专栏：《Docker容器化部署系列》 《Java每日面筋》 💹每一次技术突破，都是对自我能力的挑战和超越。 目录 一、 …
阅读更多...
Topaz Gigapixel AI图片无损放大软件下载安装，Topaz Gigapixel AI 高精度的图片无损放大

Topaz Gigapixel AI图片无损放大软件下载安装，Topaz Gigapixel AI 高精度的图片无损放大

Topaz Gigapixel AI无疑是一款革命性的图片无损放大软件，它在图像处理领域开创了一种全新的可能性。 Topaz Gigapixel AI的核心功能在于能够将图片进行高精度的无损放大。虽然经过软件处理的图片严格意义上并不能算是完全无损，但相较于传统方法&#xf…
阅读更多...
一、什么是缓存穿透、缓存击穿、缓存雪崩

一、什么是缓存穿透、缓存击穿、缓存雪崩

1、为啥使用缓存？ 在程序内部使用缓存，将经常使用的数据存储在缓存中，可以减少对数据库的频繁访问，从而提高系统的响应速度和性能。缓存可以将数据保存在内存中，读取速度更快，能够大大缩短数据访问的时间&…
阅读更多...
uniapp——上传图片获取到file对象而非临时地址——基础积累

uniapp——上传图片获取到file对象而非临时地址——基础积累

最近在看uniapp的代码，遇到一个需求，就是要实现上传图片的功能 uniapp 官网地址：https://uniapp.dcloud.net.cn/ 上传图片有对应的API： uni.chooseImage方法：https://uniapp.dcloud.net.cn/api/media/image.html#choo…
阅读更多...
【Python机器学习】分类向量——数字可以编码分类变量

【Python机器学习】分类向量——数字可以编码分类变量

在adult数据集的例子中，分类变量被编码为字符。一方面可能会有拼写错误，但另一方面，它明确的将一个变量标记为分类变量。无论是为了便于存储还是因为数据的手机方式，分类变量通常被编码为整数。 假设adult数据集中的人口普查数据…
阅读更多...
windows系统根据端口查询pid并结束进程 netstat taskkill

windows系统根据端口查询pid并结束进程 netstat taskkill

用管理员权限打开命令指示符,输入命令： 1、查看被占用端口所对应的 PID netstat -aon|findstr “端口号” 2、查看指定PID的进程 tasklist|findstr ”14816” 3、结束进程 taskkill -pid 进程号 -f
阅读更多...
秋招突击——6/24——复习{完全背包问题——买书，状态转换机——股票买卖V}——新作{两数相除，LRU缓存实现}

秋招突击——6/24——复习{完全背包问题——买书，状态转换机——股票买卖V}——新作{两数相除，LRU缓存实现}

文章目录 引言复习完全背包问题——买书个人实现 状态转换机——股票买卖V个人实现参考实现 新作两数相除个人实现 新作LRU缓存实现个人实现unordered_map相关priority_queue相关 参考实现自己复现 总结 引言 今天知道拼多多挂掉了，难受，那实习就是颗粒无…
阅读更多...
4_FOC之Clarke变换原理及推导_1

4_FOC之Clarke变换原理及推导_1

三相PMSM的数学模型是一个比较复杂且强耦合的多变量系统。为了便于后期控制器设计，必须选择合适的坐标变换对数学模型进行降阶和解耦变换。 1、什么是Clark变换 静止abc轴系与αβ轴系如上图。为满足功率不变约束，在图中设αβ轴系中定子绕组以及转子绕组…
阅读更多...
# [0622] Task02 model-free 免模型类 RL 算法的预测和控制 【ε 贪心策略 优化的证明】

# [0622] Task02 model-free 免模型类 RL 算法的预测和控制 【ε 贪心策略 优化的证明】

easy-rl PDF版本 笔记整理 P3 joyrl 比对 补充 P4 - P5 相关 代码 整理 ——> 有空 另开一页 最新版PDF下载 地址：https://github.com/datawhalechina/easy-rl/releases 国内地址(推荐国内读者使用)： 链接: https://pan.baidu.com/s/1isqQnpVRWbb3yh8…
阅读更多...
学好 prompt 让大模型变身撩富婆专家，带你走上人生巅峰

学好 prompt 让大模型变身撩富婆专家，带你走上人生巅峰

前文 使用大模型的最重要的一步就是编写好的提示词 prompt ，但是 prompt 既容易被低估也容易被高估。被低估是因为设计良好的提示词可以显著提升效果。被高估是因为即使是基于提示的应用也需要大量的工程工作才能使其发挥作用。下面我会介绍在编写 prompt 的时候&a…
阅读更多...
无芯封装基板适用于先进封装技术 我国行业发展面临一定挑战

无芯封装基板适用于先进封装技术 我国行业发展面临一定挑战

无芯封装基板适用于先进封装技术 我国行业发展面临一定挑战 无芯封装基板指去除作为核心支撑层的芯板，仅由积层板构成的封装基板。与传统带有芯层的封装基板相比，无芯封装基板具有轻量化、密度高、信号传输质量高、散热性能好、布线灵活性好等优势&#…
阅读更多...
靶机渗透之DC-7

靶机渗透之DC-7

一、信息收集 扫描网段，发现靶机ip为192.168.145.235。 nmap -sP 192.168.145.* 进一步对端口，靶机系统等信息进行一个收集。可以看到开放了22端口，80端口，主机系统为linux等信息。 nmap -sT -T4 -O -sV -sC -p1-65535 192.16…
阅读更多...
品牌电商维权：应对渠道低价与假货的有力举措

品牌电商维权：应对渠道低价与假货的有力举措

在品牌治理渠道的过程中，会遭遇各种各样的问题，其中低价现象尤为突出。低价往往导致经销商被迫跟价，而未授权的店铺则更加不受管控，更容易出现低价情况。然而，低价本身不能直接作为品牌管控渠道的充分理由，…
阅读更多...
元数据管理的发展历程你了解吗？元数据管理要克服哪些挑战？

元数据管理的发展历程你了解吗？元数据管理要克服哪些挑战？

在当今的信息化时代，数据的价值已被广泛认可，而元数据作为描述数据的数据，其作用日益凸显。元数据管理，作为确保数据质量、促进数据共享和提高数据透明度的关键环节，对企业的数据战略至关重要。随着技术的发展&#xf…
阅读更多...
理解MySQL索引：提升查询性能的关键

理解MySQL索引：提升查询性能的关键

一、前言 在众多数据库中，MySQL以其高效、稳定和跨平台的特点成为许多开发者的首选。然而，随着数据量的不断增加，查询性能可能会成为一个瓶颈。这时，索引（Index）便成为了提升查询速度的关键工具。本篇文章…
阅读更多...
if action和Switch之间该怎么选择？

if action和Switch之间该怎么选择？

1. Switch 2. If及If Action Subsystem 3.结论 元素很多，用switch 元素少，用if或switch 如果...很多，用if
阅读更多...
Linux服务升级：Almalinux 升级 WebCatlog桌面程序

Linux服务升级：Almalinux 升级 WebCatlog桌面程序

目录 一、实验 1.环境 2.Almalinux 升级 WebCatlog桌面程序 二、问题 1.Ubuntu如何升级 WebCatlog桌面程序 一、实验 1.环境 （1）主机 表1 主机 系统版本软件IP备注Almalinux9.4 WebCatlog 192.168.204.150 （2）Termi…
阅读更多...
Redis数据结构跳跃表skiplist

Redis数据结构跳跃表skiplist

一、介绍 Redis中使用跳跃表（skiplist）来实现有序集合（sorted set）和有序字典（sorted dictionary）数据结构。 跳跃表是一种有序的数据结构，它由多层链表组成。每一层链表都是一个有序的链表&a…
阅读更多...
零成本搭建个人图床服务器

零成本搭建个人图床服务器

前言 图床服务器是一种用于存储和管理图片的服务器，可以给我们提供将图片上传后能外部访问浏览的服务。这样我们在写文章时插入的说明图片，就可以集中放到图床里，既方便多平台文章发布，又能统一管理和备份。 当然下面通过在 Git…
阅读更多...
最新文章

Copyright @ 2022~2023