python图像分类_用于实现用python和django编写的图像分类的Keras UI
KerasUI是一種可視化工具，可以在圖像分類中輕松訓練模型，并允許將模型作為服務使用，只需調用API。
https://github.com/zeppaman/KerasUI?
主要特點：
用oauth2驗證
允許完整的模型定制
可以上傳尚未訓練的模型并通過API消費
測試表格和視覺檢查網絡如何工作
批量上傳訓練集
用法
運行standalone.bat或sh standalone.bat(這將安裝需求應用遷移并運行服務器，相同的腳本適用于UNIX和Windows)
使用創建管理員用戶 python manage.py createsuperuser
導航到http://127.0.0.1:8000/
這需要python 3+，如果安裝了多個版本，請根據(即pip3)更改腳本。
如何管理數據集
Keras UI允許將數據集項(圖像)上載到Web應用程序中。您可以逐個執行此操作，也可以一次性添加包含許多圖像的zip文件。它管理多個數據集，因此您可以將事物分開。加載圖像后，可以單擊“訓練”按鈕并運行訓練過程。這將訓練您定義的模型，而無需您進行任何交互。你將獲得訓練結果，如果你很挑剔，你可以轉到日志文件，看看系統輸出了什么
如何使用Web UI進行測試
為避免失眠，提供了一個簡單的表格，可以上傳圖像并獲得結果。
如何使用API UI或郵遞員來測試API
在Web UI中看到的所有內容都可以使用API進行復制。
API使用情況
此應用程序使用oauth2來驗證請求，因此需要的第一步是獲取令牌。這是密碼流的一個簡單示例。請記住必須啟用該應用程序(首次運行時不會默認創建)。
Assumingclient hUiSQJcR9ZrmWSecwh1gloi7pqGTOclss4GwIt1osecret ZuuLK21sQ2uZxk8dVG7k6pO474FBlM6DEQs7FQvDh28gdLtbCDJwFFi0YlTlLsbz9ddjUa7Lun6ifYwkfwyGMD95WsCuzibFWIMpsZHMA039RIv1mOsYUO5nK5ZVv1hB POST to http://127.0.0.1:8000/o/token/ Headers:Authorization: Basic czZCaGRSa3F0MzpnWDFmQmF0M2JWContent-Type: application/x-www-form-urlencoded Body:grant_type:passwordusername:adminpassword:admin2019!回應是
{ "access_token": "h6WeZwYwqahFDqGDRr6mcToyAm3Eae", "expires_in": 36000, "token_type": "Bearer", "scope": "read write", "refresh_token": "eg97atDWMfqC1lYKW81XCvltj0sism"}獲取預測的API可以在json post或form post中使用。在json post中，圖像以base64字符串形式發送。這種使用服務的雙重方式非常有用，因為可以將其鏈接到表單或直接與wget或curl工具一起使用，也可以在應用程序中使用它。
POST http://127.0.0.1:8000/api/test/ Headers:Content-Type:application/jsonAuthorization:Bearer Body{ "image":", "dataset":1}響應?
{ "result": ""}教程
該項目是Codeproject上圖像分類上下文的一部分。這里是技術部分的演練，解釋它是如何構建的以及它是如何工作的。
項目堆棧：
python
django框架
keras，tensorflow，numpy
sqlite(或您喜歡的其他數據庫)
使用的工具：
Visual Studio代碼
郵差
一個Web瀏覽器
項目設置
該項目基于Django，因此首先要做的是使用CLI創建一個Django項目。這需要從pip安裝Django。
django-admin startproject kerasui ' create the project此命令將生成以下結構：?
kerasui/ manage.py kerasui/ __init__.py settings.py urls.py wsgi.py這些文件是：
外部kerasui / root目錄只是項目的容器。內部mysite /目錄是項目的實際Python包。它的名稱是需要用來導入其中任何內容的Python包名稱(例如mysite.urls)。
manage.py：一個命令行實用程序，允許以各種方式與此Django項目進行交互。可以在jango-admin和manage.py中閱讀有關manage.py的所有詳細信息。
__init__.py：一個空文件，告訴Python該目錄應該被視為Python包。如果是Python初學者，請閱讀官方Python文檔中有關包的更多信息。
kerasui / settings.py：此Django項目的設置/配置。Django設置將告訴有關設置如何工作的所有信息。
kerasui / urls.py：此Django項目的URL聲明; Django支持的站點的“目錄”。可以在URL調度程序中閱讀有關URL的更多信息。
kerasui / wsgi.py：與WSGI兼容的Web服務器的入口點，用于為項目提供服務。有關更多詳細信息，請參閱如何使用WSGI進行部署。
運行
要檢查是否一切正常，只需使用內置服務器運行django
python manage.py runserver也可以使用setup visual studio代碼來運行django /
這是django配置：?
{ // Use IntelliSense to learn about possible attributes. // Hover to view descriptions of existing attributes. // For more information, visit: https://go.microsoft.com/fwlink/?linkid=830387 "version": "0.2.0", "configurations": [ { "name": "Python: Django", "type": "python", "request": "launch", "program": "${workspaceFolder}\\kerasui\\manage.py", "args": [ "runserver", "--noreload", "--nothreading" ], "django": true } ]}設置配置
這里配置的基本部分告訴：
使用oauth 2和會話認證使：常規Web用戶登錄并使用網站和休息沙箱，API用戶獲取令牌并查詢API服務
使用SQLite(可以更改為移動到任何其他數據庫)
添加所有Django模塊(以及兩個自定義：管理UI和API)
啟用cors
第一次運行
Django使用遷移系統從您定義的模型生成遷移文件。要應用遷移，只需運行migrate命令(makemigration即可從模型創建遷移文件)。
用戶數據庫開始為空，因此需要創建admin用戶才能登錄。這是通過createsuperadmin命令完成的
python manage.py migratepython manage.py createsuperuseradmin\admin2019!它是如何構建的
該應用程序分為3個模塊：
管理部分： Web UI，模塊和所有核心內容
后臺工作者：是一個可以在后臺執行的Django命令，用于根據數據集訓練模型
API：此部分公開API以從外部與應用程序交互。例如，這允許從第三方應用程序向數據集添加項目。此外，最常見的用法是發送圖像并獲得預測結果
管理
在Django上創建一個應用程序：
python manage.py startapp management這將創建主文件。在這個模塊中，使用的最多是模型和模型表示：
module.py：這里是所有具有現場規格的型號。通過這樣的類定義，所有都被設置為對實體具有可用的CRUD
admin.py：此圖層描述了如何使用表單顯示和編輯數據。
數據模型非常簡單。假設只想為每個數據集訓練一個模型
DataSet：它包含模型，模型設置和數據集的名稱。
DataSetItem：它包含數據集項，因此每行一個圖像附加標簽。
這里只是一個模型和模型表示的示例：
#from admin.pyclass DataSetForm( forms.ModelForm ): process =forms.CharField( widget=forms.Textarea(attrs={'rows':40, 'cols':115}), initial=settings.PROCESS_TEMPLATE ) model_labels =forms.CharField(initial="[]") class Meta: model = DataSet fields = ['name', 'process','epochs','batchSize','verbose','model_labels','model'] widgets = { 'process': forms.Textarea(attrs={'rows':20, 'cols':200}), } def train(modeladmin, request, queryset): for dataset in queryset: DataSetAdmin.train_async(dataset.id) class DataSetAdmin(admin.ModelAdmin): list_display = ('name','epochs','batchSize','verbose','progress') inlines = [ # DataSetItemInline, ] form=DataSetForm actions = [train] change_list_template = "dataset_changelist.html" @staticmethod def train(datasetid): call_command('train',datasetid) @staticmethod def train_async(datasetid): t = threading.Thread(target=DataSetAdmin.train, args=(datasetid,)) t.setDaemon(True) t.start() admin.site.register(DataSet,DataSetAdmin) #from model.py class DataSet(models.Model): name= models.CharField(max_length=200) process = models.CharField(max_length=5000, default=settings.PROCESS_TEMPLATE) model = models.ImageField(upload_to=path_model_name,max_length=300,db_column='modelPath',blank=True, null=True) #weights = models.ImageField(upload_to=path_model_name,max_length=300,db_column='weightPath',blank=True, null=True) batchSize = models.IntegerField(validators=[MaxValueValidator(100), MinValueValidator(1)],default=10) epochs = models.IntegerField(validators=[MaxValueValidator(100), MinValueValidator(1)],default=10) verbose = models.BooleanField(default=True) progress = models.FloatField(default=0) model_labels= models.CharField(max_length=200) def __str__(self): return self.nameDjango采用代碼優先方法，因此需要運行python manage.py makemigrations以生成將應用于數據庫的遷移文件。
python manage.py makemigrations背景工作者
要創建后臺工作程序，需要一個模塊來托管它，使用了管理模塊。在其中需要創建一個management文件夾。其上的每個文件都可以python manage.py commandname通過API 運行或通過API 運行。
在例子中，通過常規的Django動作在后臺進程中啟動命令
這是相關部分：
class DataSetAdmin(admin.ModelAdmin): actions = [train] # .... @staticmethod def train(datasetid): call_command('train',datasetid) @staticmethod def train_async(datasetid): t = threading.Thread(target=DataSetAdmin.train, args=(datasetid,)) t.setDaemon(True) t.start()API
API是在一個單獨的應用程序中創建的
python manage.py startapp API基本上所有CRUD模型都可以通過API公開，但是需要指定如何序列化它
class DataSetItemSerializer(serializers.HyperlinkedModelSerializer): image = Base64ImageField() dataset= serializers.PrimaryKeyRelatedField(many=False, read_only=True) class Meta: model = DataSetItem # Fields to expose via API fields = ('label', 'image', 'dataset') class DataSetSerializer(serializers.HyperlinkedModelSerializer): class Meta: model = DataSet fields = ('name', 'process')還需要創建ViewSet模型和數據表示之間的映射：
class DataSetItemViewSet(viewsets.ModelViewSet): queryset = DataSetItem.objects.all() serializer_class = DataSetItemSerializer class DataSetViewSet(viewsets.ModelViewSet): queryset = DataSet.objects.all() serializer_class = DataSetSerializer最后需要定義所有路由并將viwset映射到url。這足以將模型用作api
router = routers.DefaultRouter()router.register(r'users', views.UserViewSet)router.register(r'datasetitem', views.DataSetItemViewSet)router.register(r'dataset', views.DataSetViewSet)router.register(r'test', views.TestItemViewSet, basename='test') # Wire up our API using automatic URL routing.# Additionally, we include login URLs for the browsable API.urlpatterns = [ url(r'^', include(router.urls)), url(r'^api-auth/', include('rest_framework.urls', namespace='rest_framework')),] urlpatterns += staticfiles_urlpatterns()訓練
算法非常簡單：
從數據集中獲取所有圖像
將它們標準化并添加到帶標簽的列表中
創建模型在數據集模型中的指定方式
訓練它
這是查詢數據集項和加載圖像的代碼段：
def load_data(self, datasetid): self.stdout.write("loading images") train_data = [] images = DataSetItem.objects.filter(dataset=datasetid) labels = [x['label'] for x in DataSetItem.objects.values('label').distinct()] for image in images: self.stdout.write("Loading {0}".format(image.image)) image_path = image.image.path if "DS_Store" not in image_path: index=[x for x in range(len(labels)) if labels[x]==image.label] label = to_categorical([index,],len(labels)) img = Image.open(image_path) img = img.convert('L') img = img.resize((self.IMAGE_SIZE, self.IMAGE_SIZE), Image.ANTIALIAS) train_data.append([np.array(img), np.array(label[0])]) return train_data看一眼：
labels = [x['label'] for x in DataSetItem.objects.values('label').distinct()]label = to_categorical([index,],len(labels))這為所有標簽分配了一個順序，即["CAT","DOGS"]然后to_categorical將位置索引轉換為單熱表示。用簡單的話說，這使得CAT = [1,0]和DOG = [0,1]
訓練模型
model=Sequential() exec(dataset.process) model.add(Dense(len(labels), activation = 'softmax')) model.fit(training_images, training_labels, batch_size=dataset.batchSize, epochs=dataset.epochs, verbose=dataset.verbose)請注意，dataset.process是在Web管理員中輸入的python模型定義，可以根據需要進行調整。最后一層添加到用戶回調之外，以確保與數組大小匹配。
擬合方法只是使用所有數據運行訓練(。
最后存儲訓練有素的模型：
datasetToSave=DataSet.objects.get(pk=datasetid)datasetToSave.progress=100datasetToSave.model_labels=json.dumps(labels)temp_file_name=str(uuid.uuid4())+'.h5'model.save(temp_file_name)datasetToSave.model.save('weights.h5',File(open(temp_file_name, mode='rb')))os.remove(temp_file_name)datasetToSave.save()請注意還保存標簽順序beacuse必須與模型相同才能匹配one-hot約定。
預測
有一種常見的方法，給定樣本和數據集，檢索模型，加載模型并進行預測。這是一段代碼：
def predict(image_path,datasetid): dataset=DataSet.objects.get(pk=datasetid) modelpath=dataset.model.path model=load_model(modelpath) labels=json.loads(dataset.model_labels) img = Image.open(image_path) img = img.convert('L') img = img.resize((256, 256), Image.ANTIALIAS) result= model.predict(np.array(img).reshape(-1,256,256, 1)) max=result[0] idx=0 for i in range(1,len(result)): if max max=result[i] idx=i return labels[idx]使用模型加載模型load_model(modelpath)，標簽來自數據庫。模型預測輸出作為值列表，選擇較高的索引并用于檢索在訓練時分配給網絡輸出的正確標簽。
關于圖書
《深度學習之TensorFlow：入門、原理與進階實戰》和《Python帶我起飛——入門、進階、商業實戰》兩本圖書是代碼醫生團隊精心編著的 AI入門與提高的精品圖書。配套資源豐富：配套視頻、QQ讀者群、實例源碼、 配套論壇：http://bbs.aianaconda.com?。更多請見：https://www.aianaconda.com
總結
以上是生活随笔為你收集整理的python图像分类_用于实现用python和django编写的图像分类的Keras UI的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 在线手册
- 下一篇： python通信编程_python 通信