Extract dataset zip
Letakkan di direktori untuk
data latih dan data validasi# Extract dataset zip import zipfile,os # import splitfolders local_zip = '/tmp/rockpaperscissors.zip' zip_ref = zipfile.ZipFile(local_zip, 'r') zip_ref.extractall('/tmp') zip_ref.close() # mendefinisikan nama direktori untuk `data latih`` dan `data validasi`` base_dir = '/tmp/rockpaperscissors/rps-cv-images' # splitfolders.ratio(base_dir, output=base_dir, ratio=(0.8,0.2)) # train_dir = os.path.join(base_dir, 'train') # validation_dir = os.path.join(base_dir, 'val')
Menampung direktori dari setiap kelas ke direktori latih dan direktori validasi ke dalam variabel
- data training memiliki 1314 sampel
- data validasi sebanyak 874 sampel
# # membuat direktori batu pada direktori data training # train_rock_dir = os.path.join(train_dir, 'rock') # # membuat direktori gunting pada direktori data training # train_scissor_dir = os.path.join(train_dir, 'scissors') # # membuat direktori kertas pada direktori data training # train_paper_dir = os.path.join(train_dir, 'paper') # # membuat direktori batu pada direktori data validasi # validation_rock_dir = os.path.join(validation_dir, 'rock') # # membuat direktori gunting pada direktori data validasi # validation_scissor_dir = os.path.join(validation_dir, 'scissors') # # membuat direktori kertas pada direktori data validasi # validation_paper_dir = os.path.join(validation_dir, 'paper')
Membuat sebuah objek ImageDataGenerator untuk data training dan data testing
- fungsi untuk mempersiapkan data latih dan data testing yang diberikan ke model
- augmentasi gambar, teknik menciptakan data baru dari data yang telah ada
Proses augmentasi gambar pada setiap sampel di dataset
# proses augmentasi gambar pada sampel data traininng train_datagen = ImageDataGenerator(rescale=1./255, rotation_range=20, shear_range = 0.2, horizontal_flip=True, fill_mode = 'wrap', validation_split = 0.4) # ImageDataGenerator(rescale=1./255, # rotation_range=20, # horizontal_flip=True, # shear_range = 0.2, # validation_split = 0.4, # fill_mode = 'nearest') # proses augmentasi gambar pada sampel data testing test_datagen = ImageDataGenerator(rescale=1./255, zoom_range = 0.2, shear_range = 0.2, horizontal_flip=True, validation_split = 0.4)
Menggunakan objek image data generator untuk mempersiapkan data latih.
Pembagian data set training dan validation
- 40% dari total dataset
# persiapan data training train_generator = train_datagen.flow_from_directory( base_dir, # mengubah resolusi seluruh gambar menjadi 150x150 piksel target_size=(100, 150), shuffle = True, subset='training', class_mode='categorical') # persiapan data validasi validation_generator = train_datagen.flow_from_directory( base_dir, # mengubah resolusi seluruh gambar menjadi 150x150 piksel target_size=(100, 150), subset='validation', class_mode='categorical')
Buat arsitektur CNN
- terdapatnya 2 lapis layer konvolusi dan max pooling
- layer konvolusi, mengekstraksi atribut pada gambar
- max pooling, mereduksi resolusi gambar
model = tf.keras.models.Sequential([ # Conv2D untuk mengekstrak atribut pada gambar tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(100, 150, 3)), # max pooling untuk mengurangi resolusi gambar tf.keras.layers.MaxPooling2D(2, 2), tf.keras.layers.Conv2D(64, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Conv2D(128, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Conv2D(512, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(3, activation='softmax') ])
Melatih model menggunakan metode fit
- Image data generator secara otomatis melabeli sesuai direktorinya
... Ini loading-nya akan lama ...
history = model.fit( train_generator, steps_per_epoch=25, # berapa batch yang akan dieksekusi pada setiap epoch epochs=25, validation_data=validation_generator, # menampilkan akurasi pengujian data validasi validation_steps=5, # berapa batch yang akan dieksekusi pada setiap epoch verbose=2)
Evaluasi akurasi dan loss dari model
import matplotlib.pyplot as plt accur = history.history['accuracy'] val_accur = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(len(accur)) plt.figure(figsize=(12,8)) plt.plot(epochs, accur, 'r', label='Training accuracy') plt.plot(epochs, val_accur, 'b', label='Validation accuracy') plt.title('Training and validation accuracy') plt.legend(loc=0) plt.show()
➜ Output:
Implementai augmentasi gambar
import numpy as np from google.colab import files from keras.preprocessing import image import matplotlib.pyplot as plt import matplotlib.image as mpimg import matplotlib.pyplot as plt import matplotlib.image as mpimg %matplotlib inline # mengupload file, trus ditampung disini uploaded = files.upload() for fn in uploaded.keys(): # predicting images path = fn # memilih file gambar secara interaktif img = image.load_img(path, target_size=(100,150)) imgplot = plt.imshow(img) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) # resize gambar dan mengubahnya menjadi larik numpy images = np.vstack([x]) classes = model.predict(images, batch_size=10) outclass = np.argmax(classes) print(fn) if outclass == 0: print('paper') elif outclass == 1: print('rock') else: print('scissors')
➜ Output:
