CropNet: Manyok Hastalığı Tespiti

TensorFlow.org'da görüntüleyin Google Colab'da çalıştırın GitHub'da görüntüle Not defterini indir TF Hub modeline bakın

Bu defter gösterileri nasıl CropNet kullanmak manyok hastalığı sınıflandırıcı TensorFlow Hub'dan modeli. Bakteriyel yanıklık, kahverengi çizgi hastalığı, yeşil akarı, mozaik hastalığı, sağlıklı veya bilinmeyen: 6 sınıftan birine manyok yaprakların modeli sınıflandırır görüntüler.

Bu ortak çalışma şunların nasıl yapılacağını gösterir:

  • Yük https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2 TensorFlow Hub'dan modeli
  • Yük manyok TensorFlow Veri kümeleri gelen veri kümesi (TFDS)
  • Manyok yapraklarının görüntülerini 4 farklı manyok hastalığı kategorisine veya sağlıklı veya bilinmeyen olarak sınıflandırın.
  • Malı görüntüler dışı uygulandığında modeli ne kadar sağlam olarak sınıflandırıcı ve görünüm doğruluğunu değerlendirin.

İthalat ve kurulum

pip install matplotlib==3.2.2

import numpy as np
import matplotlib.pyplot as plt

import tensorflow as tf
import tensorflow_datasets as tfds
import tensorflow_hub as hub

Örnekleri görüntülemek için yardımcı fonksiyon

veri kümesi

Hadi yük TFDS manyok veri kümesi

dataset, info = tfds.load('cassava', with_info=True)

Bunun hakkında daha fazla bilgi edinmek için, açıklama ve alıntı gibi veri kümesi bilgilerine ve kaç tane örnek bulunduğuna ilişkin bilgilere bir göz atalım.

info

tfds.core.DatasetInfo(
    name='cassava',
    full_name='cassava/0.1.0',
    description="""
    Cassava consists of leaf images for the cassava plant depicting healthy and
    four (4) disease conditions; Cassava Mosaic Disease (CMD), Cassava Bacterial
    Blight (CBB), Cassava Greem Mite (CGM) and Cassava Brown Streak Disease (CBSD).
    Dataset consists of a total of 9430 labelled images.
    The 9430 labelled images are split into a training set (5656), a test set(1885)
    and a validation set (1889). The number of images per class are unbalanced with
    the two disease classes CMD and CBSD having 72% of the images.
    """,
    homepage='https://www.kaggle.com/c/cassava-disease/overview',
    data_path='gs://tensorflow-datasets/datasets/cassava/0.1.0',
    download_size=1.26 GiB,
    dataset_size=Unknown size,
    features=FeaturesDict({
        'image': Image(shape=(None, None, 3), dtype=tf.uint8),
        'image/filename': Text(shape=(), dtype=tf.string),
        'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    }),
    supervised_keys=('image', 'label'),
    disable_shuffling=False,
    splits={
        'test': <SplitInfo num_examples=1885, num_shards=4>,
        'train': <SplitInfo num_examples=5656, num_shards=8>,
        'validation': <SplitInfo num_examples=1889, num_shards=4>,
    },
    citation="""@misc{mwebaze2019icassava,
        title={iCassava 2019Fine-Grained Visual Categorization Challenge},
        author={Ernest Mwebaze and Timnit Gebru and Andrea Frome and Solomon Nsumba and Jeremy Tusubira},
        year={2019},
        eprint={1908.02900},
        archivePrefix={arXiv},
        primaryClass={cs.CV}
    }""",
)

Manyok veri kümesi 4 ayrı hastalıklarla manyok yaprakları yanı sıra sağlıklı manyok yaprakların görüntüleri vardır. Model, tahmininden emin olmadığında, tüm bu sınıfların yanı sıra "bilinmeyen" için altıncı sınıfı da tahmin edebilir.

# Extend the cassava dataset classes with 'unknown'
class_names = info.features['label'].names + ['unknown']

# Map the class names to human readable names
name_map = dict(
    cmd='Mosaic Disease',
    cbb='Bacterial Blight',
    cgm='Green Mite',
    cbsd='Brown Streak Disease',
    healthy='Healthy',
    unknown='Unknown')

print(len(class_names), 'classes:')
print(class_names)
print([name_map[name] for name in class_names])

6 classes:
['cbb', 'cbsd', 'cgm', 'cmd', 'healthy', 'unknown']
['Bacterial Blight', 'Brown Streak Disease', 'Green Mite', 'Mosaic Disease', 'Healthy', 'Unknown']

Verileri modele beslemeden önce biraz ön işleme yapmamız gerekiyor. Model, [0, 1]'de RGB kanal değerlerine sahip 224 x 224 görüntü bekliyor. Görüntüleri normalleştirelim ve yeniden boyutlandıralım.

def preprocess_fn(data):
  image = data['image']

  # Normalize [0, 255] to [0, 1]
  image = tf.cast(image, tf.float32)
  image = image / 255.

  # Resize the images to 224 x 224
  image = tf.image.resize(image, (224, 224))

  data['image'] = image
  return data

Veri setinden birkaç örneğe bakalım

batch = dataset['validation'].map(preprocess_fn).batch(25).as_numpy_iterator()
examples = next(batch)
plot(examples)

png

modeli

Sınıflandırıcıyı TF Hub'dan yükleyelim ve bazı tahminler alalım ve modelin tahminlerini birkaç örnek üzerinde görelim.

classifier = hub.KerasLayer('https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2')
probabilities = classifier(examples['image'])
predictions = tf.argmax(probabilities, axis=-1)

plot(examples, predictions)

png

Değerlendirme ve sağlamlık

En veri kümesinin bir bölünme bizim sınıflandırıcı doğruluğunu ölçmek edelim. Biz de olmayan bir manyok veri kümesi üzerindeki performansını değerlendirerek modelinin sağlamlığı bakabilirsiniz. İNaturalist veya fasulye gibi diğer bitki veri kümelerinin resmi için, model, hemen hemen her zaman bilinmeyen dönmelidir.

parametreler

def label_to_unknown_fn(data):
  data['label'] = 5  # Override label to unknown.
  return data

# Preprocess the examples and map the image label to unknown for non-cassava datasets.
ds = tfds.load(DATASET, split=DATASET_SPLIT).map(preprocess_fn).take(MAX_EXAMPLES)
dataset_description = DATASET
if DATASET != 'cassava':
  ds = ds.map(label_to_unknown_fn)
  dataset_description += ' (labels mapped to unknown)'
ds = ds.batch(BATCH_SIZE)

# Calculate the accuracy of the model
metric = tf.keras.metrics.Accuracy()
for examples in ds:
  probabilities = classifier(examples['image'])
  predictions = tf.math.argmax(probabilities, axis=-1)
  labels = examples['label']
  metric.update_state(labels, predictions)

print('Accuracy on %s: %.2f' % (dataset_description, metric.result().numpy()))

Accuracy on cassava: 0.88

Daha fazla bilgi edin