TEAM Project (10.25) - OpenCV 흑백 변환, 가우시안 블러(5차, 6차 테스트)

훈련시킨 사진 결과

other\n02085936_1325.jpg

이미지

5차 결과

6차 결과

sit\n02086079_186.jpg

이미지

5차 결과

6차 결과

sit\n02087046_4832.jpg

이미지

5차 결과

6차 결과

other\n02085620_7440.jpg

이미지

5차 결과

6차 결과

other\n02086240_2705.jpg

이미지

5차 결과

6차 결과

other\n02086646_3052.jpg

이미지

5차 결과

6차 결과

4차 테스트 때와 비교하면 확률은 올라가고, sit 행동은 잘 구분하는것처럼 보였으나 기타행동을 구분못함..

아예 잘못된 듯한 느낌 다른 분들 코드를 더 참고 해야할 것 같다..

 

---

 

다시..!

오늘 안에 안되면 바로 openAI로 돌리자 빠른 판단으로 ..!

참고한 블로그
https://studying-modory.tistory.com/entry/210303-%EB%94%A5%EB%9F%AC%EB%8B%9D-%EC%88%AB%EC%9E%90%EC%86%90%EA%B8%80%EC%94%A8-%EC%9D%B8%EC%8B%9D-%EB%A7%88%EC%A7%80%EB%A7%89-%EA%B0%9C%EA%B3%A0%EC%96%91%EC%9D%B4-%EC%9D%B8%EC%8B%9D?category=962633

# 데이터 경로 설정
base_dir = "./data/dogs_vs_cats"
train_dir = r"C:\data\dogs_vs_cats\train"
validation_dir = r"C:\data\dogs_vs_cats\validation"


# 데이터 증강
train_datagen = ImageDataGenerator(
    rescale=1.0 / 255,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.1,
    zoom_range=0.1,
    horizontal_flip=True,
    fill_mode="nearest"
)
validation_datagen = ImageDataGenerator(rescale=1.0 / 255)

# 데이터 로드
train_generator = train_datagen.flow_from_directory(
    train_dir, target_size=(150, 150), batch_size=20, class_mode='binary'
)
validation_generator = validation_datagen.flow_from_directory(
    validation_dir, target_size=(150, 150), batch_size=20, class_mode='binary'
)

# 모델 구성
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3), padding='same'),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu', padding='same'),
    MaxPooling2D((2, 2)),
    Conv2D(128, (3, 3), activation='relu', padding='same'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(512, activation='relu'),
    Dropout(0.5),
    Dense(1, activation='sigmoid')
])

# 모델 요약 출력
model.summary()

# 모델 컴파일
model.compile(
    loss='binary_crossentropy',
    optimizer='adam',
    metrics=['accuracy']
)

# 모델 훈련
history = model.fit(
    train_generator,
    epochs=10,
    validation_data=validation_generator
)

# 정확도 그래프 출력
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

epochs = range(1, len(acc) + 1)
plt.plot(epochs, acc, 'b', label='Training accuracy')
plt.plot(epochs, val_acc, 'r', label='Validation accuracy')
plt.title('Training and validation accuracy')
plt.legend()
plt.show()

 

결과 1

위는 훈련 정확도(Training Accuracy)와 검증 정확도(Validation Accuracy)를 나타내는 그래프로 모델 성능의 변화와 과적합 여부를 확인할 수 있다.

푸른색 선은 훈련 정확도, 붉은색 선은 검증 정확도로 훈련보다 더 빠르게 상승하고 있다.

그래프 후반부로 갈수록 검증 정확도가 훈련 정확도보다 더 높은 경우가 나타남

# 데이터 증강
train_datagen = ImageDataGenerator(
    rescale=1.0 / 255,
    rotation_range=40, # 회전 범위를 20 -> 40도로 증가 
    width_shift_range=0.3, # 수평 이동 범위 증가 (0.2 -> 0.3)
    height_shift_range=0.3, # 수직 이동 범위 증가 (0.2 -> 0.3)
    shear_range=0.2, # 기울기 조절 범위 증가 (0.1 -> 0.2)
    zoom_range=0.2, # 확대/축소 범위 증가 (0.1 -> 0.2)
    horizontal_flip=True,
    vertical_flip=True, # 수직 뒤집기 추가
    fill_mode="nearest"
)

Conv2D(256, (3, 3), activation='relu', padding='same'), # 필터 수를 256으로 증가
    MaxPooling2D((2, 2)),

 

결과 2

초반 에포크 동안 훈련 정확도와 검증 정확도가 거의 비슷하게 증가하지 않고 0.75 ~ 0.76 사이

8번째 에포크 이후 검증 정확도가 급격하게 상승, 훈련 정확도보다 더 높아짐

 

결과 3

# 데이터 로드
train_generator = train_datagen.flow_from_directory(
    train_dir, target_size=(150, 150), batch_size=20, class_mode='binary', shuffle=True
)
validation_generator = validation_datagen.flow_from_directory(
    validation_dir, target_size=(150, 150), batch_size=20, class_mode='binary', shuffle=True
)

shuffle true로 설정 후, 이미지 폴더 확인 후 개수가 동일하지 않아...... 동일하게 1000장으로 바꾼 후 실행한 결과.. 저게 뭐지 ....

과소적합(underfitting)이란 과대적합의 반대 개념으로서 머신러닝 모델이 충분히 복잡하지 않아 발생

 

결과 4

코드에서 ResNet50, OpenVC로 데이터 전처리 / OpenCV로 전처리한 데이터를 TensorFlow 데이터셋에 담아 모델을 학습

그래프를 보면 그동안 나왔던 결과에 비해 훈련 정확도와 검증 정확도가 모두 증가하는 경향을 보이고 있다.

하지만 훈련 정확도가 거의 100%에 도달한 반면, 검증 정확도는 그보다 낮고, 중간에 변동이 크다.. 모델이 훈련 데이터에는 잘 맞지만, 검증 데이터에는 다소 과적합

 

결과 5

verbose=1

from tensorflow.keras.callbacks import ReduceLROnPlateau

lr_scheduler = ReduceLROnPlateau(
    monitor='val_loss', factor=0.5, patience=2, verbose=1
)

상승하고, 급격한 변화는 결과 4에 비해 줄어든 모습..! 개선되고 있는 것 같다

학습률 감소 스케줄러

 

이상적인 그래프 형태

1. 시간이 지남에 따라 두 그래프가 수렴하거나 비슷한 수준을 유지할 때 훈련이 잘 된 상태
2. 두 정확도의 차이가 크지 않고, 0.5~3% 내외의 차이일 때
3. 훈련 정확도와 검증 정확도가 비슷하게 유지되며 일정 수준 이상에서 그래프가 평탄해지는 것이 좋다.
4. 만약 훈련 정확도는 높고 검증 정확도가 낮다면 과적합 발생한 것