Skip to content

CHILD INTELLIGENT ASSESSMENT TOOL
CHILD INTELLIGENT ASSESSMENT TOOL
Commit 25bd4e9a authored by MithilaGunasinghe's avatar MithilaGunasinghe
Browse files
Options

Shapes Identification generate CNN model

parent 8f221af8
Hide whitespace changes
Inline Side-by-side
Showing with 509 additions and 0 deletions
CNNmodel/cnn.py 0 → 100644
View file @ 25bd4e9a
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Author : Gunasinghe M.D.
IT NUM : IT17043342
"""
# CNN classifier
# Building architecture of our CNN classifier
import keras
from keras.models import Sequential
from keras.layers import Convolution2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
# Initialising the CNN
classifier = Sequential()
# Step - 1 Convolution
classifier.add(Convolution2D(
16, 3, 3, input_shape=(28, 28, 1), activation='relu'))
# Step - 2 Pooling
classifier.add(MaxPooling2D(pool_size=(2, 2)))
classifier.add(Convolution2D(32, 3, 3, activation='relu'))
classifier.add(MaxPooling2D(pool_size=(2, 2)))
# Step - 3 Flattening
classifier.add(Flatten())
# Step - 4 Full connection -> First layer input layer then hidden layer
# and last softmax layer
classifier.add(Dense(56, activation='relu', kernel_initializer='uniform'))
classifier.add(Dense(3, activation='softmax', kernel_initializer='uniform'))
# Compiling the CNN
classifier.compile(
optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# Image Preprocessing
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(
rescale=1. / 255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1. / 255)
training_set = train_datagen.flow_from_directory(
'shapes/train', target_size=(28, 28), batch_size=1, color_mode="grayscale", class_mode='categorical')
#X_images, y_labels = training_set.filenames, training_set.classes
test_set = test_datagen.flow_from_directory(
'shapes/test', target_size=(28, 28), batch_size=1,color_mode="grayscale", class_mode='categorical')
# Logging the training of models
from keras.callbacks import CSVLogger, EarlyStopping
csv_logger = CSVLogger('log.csv', append=True, separator=';')
early_stopping_monitor = EarlyStopping(patience=5)
steps_per_epoch = len(training_set.filenames) # 300
validation_steps = len(test_set.filenames) # 90
classifier.summary()
model_info = classifier.fit_generator(training_set, steps_per_epoch=steps_per_epoch, epochs=25, validation_data=test_set,
validation_steps=validation_steps, callbacks=[csv_logger, early_stopping_monitor])
classifier.save("shapes_classification.h5")
# plot model history after each epoch
from visulization import plot_model_history
plot_model_history(model_info)
CNNmodel/convert.py 0 → 100644
View file @ 25bd4e9a
'''
Author : Gunasinghe M.D.
IT NUM : IT17043342
'''
import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_keras_model_file('shapes_classification.h5')
tfmodel = converter.convert()
open ("model.tflite" , "wb") .write(tfmodel)
\ No newline at end of file
CNNmodel/image_proprocessing.py 0 → 100644
View file @ 25bd4e9a
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Author : Gunasinghe M.D.
IT NUM : IT17043342
"""
# Image Preprocessing for train, test and validation sets
import os
import random
import glob
def prepare_test_data(n):
base_path = "shapes"
f1 = random.sample(glob.glob(os.path.join(base_path, "test/circles") + "/*"), n)
f2 = random.sample(glob.glob(os.path.join(base_path, "test/squares") + "/*"), n)
f3 = random.sample(glob.glob(os.path.join(base_path, "test/triangles") + "/*"), n)
for c in f1:
os.remove(c)
for s in f2:
os.remove(s)
for t in f3:
os.remove(t)
def prepare_validation_data(n):
base_path = "shapes"
f1 = random.sample(glob.glob(os.path.join(base_path, "validation/circles") + "/*"), n)
f2 = random.sample(glob.glob(os.path.join(base_path, "validation/squares") + "/*"), n)
f3 = random.sample(glob.glob(os.path.join(base_path, "validation/triangles") + "/*"), n)
for c in f1:
os.remove(c)
for s in f2:
os.remove(s)
for t in f3:
os.remove(t)
# n = number of samples to remove from each categorical folder
prepare_test_data(70)
prepare_validation_data(40)
\ No newline at end of file
CNNmodel/log.csv 0 → 100644
View file @ 25bd4e9a
epoch;acc;loss;val_acc;val_loss
0;0.29333333333333333;1.1021293564637502;0.3333333333333333;1.0980687565273708
1;0.35;1.0999792923529943;0.35555555555555557;1.097972235414717
2;0.31333333333333335;1.0998473330338796;0.3333333333333333;1.0975483298301696
3;0.39666666666666667;1.0915542052189509;0.5666666666666667;1.0058740867508782
4;0.5133333333333333;0.9937442035103837;0.4777777777777778;0.9656427173978752
5;0.5866666666666667;0.9386348085850478;0.5555555555555556;0.86869801685421
6;0.65;0.8198991794868683;0.6888888888888889;0.7557085374628918
7;0.7333333333333333;0.6825591519506027;0.7777777777777778;0.6168535319751957
8;0.8066666666666666;0.5363872799169621;0.6888888888888889;0.67444432924272
9;0.78;0.5705832035536877;0.8222222222222222;0.48538642855556746
10;0.8133333333333334;0.500751046326477;0.8777777777777778;0.31637109270151187
11;0.8533333333333334;0.38070510240384464;0.8444444444444444;0.42024516973091924
12;0.8566666666666667;0.35376141064388017;0.8444444444444444;0.36274474893230035
13;0.8833333333333333;0.30654860066572537;0.8666666666666667;0.3740410789840982
14;0.91;0.24653060877016592;0.9444444444444444;0.20371840975387115
15;0.91;0.23943806987263827;0.9333333333333333;0.17990061224534296
16;0.89;0.27273950695357596;0.9333333333333333;0.15174684854468615
17;0.9333333333333333;0.20382062615582688;0.9888888888888889;0.054488436287827034
18;0.9366666666666666;0.17752609247883147;0.9333333333333333;0.1432164458058788
19;0.9233333333333333;0.21212721058228198;0.9555555555555556;0.1452621202745042
20;0.9533333333333334;0.12411385271760471;0.9777777777777777;0.054697405406647366
21;0.96;0.13570099500452537;1.0;0.029889299359932883
22;0.9566666666666667;0.1281874972612834;0.9555555555555556;0.11651920964032567
23;0.97;0.10924995794870952;0.9888888888888889;0.03410356732701937
24;0.97;0.10621539547962233;1.0;0.018577026133786805
0;0.2966666666666667;1.1024928019444147;0.45555555555555555;1.097968214088016
1;0.34;1.111143814921379;0.4111111111111111;1.0909762700398764
2;0.41;1.0789569250742594;0.4222222222222222;1.0103889912366868
3;0.49666666666666665;0.9889124457289775;0.5888888888888889;0.877334033490883
4;0.59;0.9037570924436052;0.5666666666666667;0.8481556372510062
5;0.7066666666666667;0.713488160589089;0.7;0.6365465399886792
6;0.78;0.5349133421300212;0.8111111111111111;0.3751573544571228
7;0.8533333333333334;0.40419769435703834;0.8111111111111111;0.4625196482868988
8;0.8466666666666667;0.4003748563643118;0.8666666666666667;0.2862474222282698
9;0.8633333333333333;0.3505672497783477;0.9;0.2780155003012624
10;0.8966666666666666;0.2847911869841816;0.9666666666666667;0.12341440132586286
11;0.8966666666666666;0.28560135678677395;0.9444444444444444;0.1425273594744441
12;0.9266666666666666;0.2234943222547679;0.9666666666666667;0.09773324105288327
13;0.92;0.19570738831778803;0.8888888888888888;0.18837703390051658
14;0.9166666666666666;0.2399715888836198;0.9555555555555556;0.11566149951415242
15;0.96;0.15282417273996554;0.9888888888888889;0.054442138786437666
16;0.9466666666666667;0.1442776797820819;0.9888888888888889;0.05929118138232228
17;0.97;0.11683380947491552;1.0;0.020476891390213185
18;0.9633333333333334;0.11048679052008993;0.9;0.2607078030724275
19;0.93;0.15185930114223814;1.0;0.01981931464206039
20;0.9533333333333334;0.12143664269047018;0.9888888888888889;0.03962222233879484
21;0.9733333333333334;0.1049603466999568;0.9111111111111111;0.19589236812648447
22;0.95;0.11491358882647457;0.9888888888888889;0.027169717451493134
23;0.97;0.08477862928842181;0.9888888888888889;0.033657396587247174
24;0.9566666666666667;0.11472323884931958;1.0;0.009743158908804617
0;0.3;1.1021297387282054;0.3333333333333333;1.098387180434333
1;0.31666666666666665;1.101465438803037;0.3333333333333333;1.0954816778500875
2;0.39;1.0816635606686273;0.4777777777777778;0.989203151067098
3;0.5333333333333333;0.943225392450889;0.6333333333333333;0.8276369107266267
4;0.6466666666666666;0.7807893539980675;0.7;0.6865226181327468
5;0.7866666666666666;0.5574312569738443;0.8444444444444444;0.3945849456837297
6;0.8566666666666667;0.38642888322652047;0.8333333333333334;0.3847256015657308
7;0.8666666666666667;0.35940120505411566;0.9333333333333333;0.17343034370514943
8;0.8833333333333333;0.29315737118295754;0.9333333333333333;0.14767354367302485
9;0.9133333333333333;0.2975298812368601;0.9444444444444444;0.14707265250981688
10;0.93;0.18652200535098928;0.9777777777777777;0.0729098610522884
11;0.9266666666666666;0.2169656333634265;0.8777777777777778;0.2079286410599811
12;0.9433333333333334;0.20134307888881192;0.9777777777777777;0.08663621393185063
13;0.94;0.15568304392984986;0.9777777777777777;0.06906644460615846
14;0.93;0.16935204814797114;0.9888888888888889;0.03684264753542487
15;0.96;0.1452038977954267;0.9888888888888889;0.03962157638703856
16;0.9466666666666667;0.12375886316151655;0.9888888888888889;0.07883670315496481
17;0.96;0.11870158137859231;0.9555555555555556;0.07232851184984652
18;0.9466666666666667;0.15830942703666992;0.9777777777777777;0.06708373401407404
19;0.95;0.11663488458349694;0.9888888888888889;0.029292231157757302
20;0.9666666666666667;0.09241651421692755;1.0;0.03044141556557381
21;0.9833333333333333;0.06146877233634617;0.9777777777777777;0.05788214005767003
22;0.9533333333333334;0.11411452959590136;0.9555555555555556;0.09742962131545012
23;0.97;0.09423861650462806;0.9777777777777777;0.05658224377698815
24;0.9533333333333334;0.12431888750346053;0.9777777777777777;0.038065941155809295
0;0.3233333333333333;1.1069280427694321;0.3333333333333333;1.0983202974001567
1;0.31;1.0996916504700978;0.3333333333333333;1.0985570112864176
2;0.3233333333333333;1.0994071559111278;0.4777777777777778;1.0945832623375786
3;0.44333333333333336;1.091769926995039;0.4888888888888889;0.9975160790814294
4;0.5533333333333333;0.9304487958798806;0.5222222222222223;0.8798719747975055
5;0.6733333333333333;0.7991099805400397;0.8111111111111111;0.5508037334728417
6;0.78;0.5845360958720751;0.8;0.49109353070638867
7;0.8066666666666666;0.5473822022039289;0.8111111111111111;0.39103925800383066
8;0.8133333333333334;0.5060161508850676;0.8888888888888888;0.3430117765340078
9;0.85;0.4065314543420148;0.8888888888888888;0.3554072034810815
10;0.8466666666666667;0.3823637784835478;0.8333333333333334;0.39130441422806195
11;0.8633333333333333;0.3626307521596065;0.9333333333333333;0.1745677969569139
12;0.88;0.3042755278111872;0.9111111111111111;0.18182776231968206
13;0.8733333333333333;0.3007615586238732;0.9111111111111111;0.26164478572425576
14;0.8933333333333333;0.29238535866772214;0.9555555555555556;0.15428050215739908
15;0.8833333333333333;0.30418825111709663;0.9444444444444444;0.13710885563669928
16;0.9233333333333333;0.23158255326935356;0.9333333333333333;0.18657986689292633
17;0.9166666666666666;0.23932522699325412;0.9111111111111111;0.223500666337554
18;0.9;0.216020803392003;0.9555555555555556;0.0937227627189085
19;0.9233333333333333;0.21318304360481907;0.9666666666666667;0.09495315271668388
20;0.93;0.18315597944826797;0.9333333333333333;0.16338848182747243
21;0.9366666666666666;0.1571949661199481;0.9666666666666667;0.07755491187018149
22;0.9333333333333333;0.15235870470483487;0.9666666666666667;0.10085187362051329
23;0.9366666666666666;0.15659029777351255;0.9888888888888889;0.04561912518691145
24;0.9666666666666667;0.11029112723986628;0.9888888888888889;0.04732635886319609
0;0.30666666666666664;1.1101013598839442;0.3333333333333333;1.0985741549068027
1;0.3233333333333333;1.100367112159729;0.3333333333333333;1.098134504424201
2;0.33;1.0997979178031285;0.5666666666666667;1.089741697576311
3;0.5366666666666666;1.0597114316622416;0.43333333333333335;0.9888555743628078
4;0.5633333333333334;0.9458379011352857;0.6111111111111112;0.8320463940708174
5;0.6533333333333333;0.7628156321619948;0.7777777777777778;0.5185287246066663
6;0.7833333333333333;0.5581800283584744;0.8888888888888888;0.35994207289897734
7;0.8133333333333334;0.4528389344721412;0.8888888888888888;0.3119140728207033
8;0.8966666666666666;0.3342290966581398;0.8888888888888888;0.24057142533290768
9;0.8933333333333333;0.3060030813970176;0.9555555555555556;0.14337385641528172
10;0.8766666666666667;0.3073535125722022;0.8888888888888888;0.26720971781741254
11;0.8966666666666666;0.2536353188590389;0.9666666666666667;0.1428992116461207
12;0.9133333333333333;0.22506776153478314;0.9444444444444444;0.17564091361363063
13;0.9433333333333334;0.1697722327545489;0.9444444444444444;0.13292412642676651
14;0.94;0.17541259536815534;0.9555555555555556;0.08823297872916479
15;0.9166666666666666;0.21760635532225933;0.9666666666666667;0.06416265826748284
16;0.9466666666666667;0.15808314480723615;0.9777777777777777;0.052665442891821436
17;0.9466666666666667;0.1247723067734511;0.9666666666666667;0.11258568354277496
18;0.9366666666666666;0.17622050174475135;0.9444444444444444;0.14027067146413844
19;0.9566666666666667;0.13585960034744587;0.9555555555555556;0.12994329620613393
20;0.96;0.12504480919915806;0.9666666666666667;0.10541855434527116
21;0.9633333333333334;0.10217472580477997;0.9777777777777777;0.05512338823270571
0;0.31666666666666665;1.1044566788276036;0.43333333333333335;1.0950985736317105
1;0.34;1.1016220529874166;0.45555555555555555;1.071094082461463
2;0.48333333333333334;1.0259687234461308;0.5777777777777777;0.9048458715279897
3;0.57;0.931777855368952;0.6666666666666666;0.7433711546990607
4;0.6766666666666666;0.7581871482792;0.6666666666666666;0.7261567839317852
5;0.77;0.5887001623399556;0.8888888888888888;0.3465110164446135
6;0.8333333333333334;0.4440724574757041;0.9111111111111111;0.2627747560226352
7;0.83;0.39412571473357577;0.9222222222222223;0.19322037300783754
8;0.88;0.33717031058942665;0.9222222222222223;0.22110817058623475
9;0.8733333333333333;0.3087092481532121;0.9555555555555556;0.12709545019349913
10;0.89;0.2834527987321629;0.9444444444444444;0.1923489952438672
11;0.9266666666666666;0.21691894466208092;0.9222222222222223;0.18636375825362864
12;0.9133333333333333;0.22736707239523032;0.9444444444444444;0.16716850448486567
13;0.9166666666666666;0.196607742129936;0.9888888888888889;0.06568004098535311
14;0.93;0.1972291822572303;0.9666666666666667;0.0805063051041622
15;0.9433333333333334;0.17399543377913157;0.9888888888888889;0.049059654096843194
16;0.9466666666666667;0.17615168006557197;0.9777777777777777;0.06232123745576072
17;0.9466666666666667;0.16654395524213883;0.9777777777777777;0.08208031763151034
18;0.95;0.1374350551636723;0.9555555555555556;0.19627452524545644
19;0.9733333333333334;0.09676061352745345;0.9666666666666667;0.10148706152094368
20;0.9533333333333334;0.16697404597613233;0.9555555555555556;0.14717611342358244
0;0.36;1.1000051619609197;0.3333333333333333;1.1392436510986752
1;0.37666666666666665;1.1005631188551586;0.5777777777777777;1.085070440504286
2;0.4266666666666667;1.0642447211345036;0.5222222222222223;0.936849817302492
3;0.57;0.9065542963892221;0.6666666666666666;0.7474767903693849
4;0.6833333333333333;0.7419425017246977;0.7777777777777778;0.5342858961084858
5;0.77;0.5690965897793648;0.8555555555555555;0.39044609395867963
6;0.8233333333333334;0.4662553457704295;0.8888888888888888;0.2414346289795099
7;0.85;0.3793094040557238;0.9444444444444444;0.1766650510720663
8;0.8566666666666667;0.3392536332937379;0.8777777777777778;0.2889134517333736
9;0.9;0.2948075863869129;0.9333333333333333;0.15663555745454183
10;0.9166666666666666;0.26311404273571193;0.9333333333333333;0.15211170727726162
11;0.9133333333333333;0.2351939945080206;0.9777777777777777;0.09362097546448543
12;0.9033333333333333;0.2245103605554717;0.9888888888888889;0.0835721743331937
13;0.9433333333333334;0.19774662739986884;0.9888888888888889;0.057488164304515345
14;0.9133333333333333;0.211270667961453;0.9777777777777777;0.076187762366099
15;0.93;0.1833906529321452;1.0;0.0377394505544288
16;0.9366666666666666;0.18946242791885615;0.9666666666666667;0.08267630371371822
17;0.9333333333333333;0.19669028479693404;0.9888888888888889;0.05075722201238825
18;0.9366666666666666;0.17036728942577198;0.9444444444444444;0.11699757186300795
19;0.9666666666666667;0.1136080761139135;0.9888888888888889;0.04078608755233941
20;0.9733333333333334;0.10288304058618607;1.0;0.026145380296874996
21;0.9533333333333334;0.14663997547002278;0.9222222222222223;0.20992747245209245
22;0.9366666666666666;0.15872551181674935;0.9888888888888889;0.05554037881847099
23;0.9633333333333334;0.10662604465088667;0.9888888888888889;0.038965914227561724
24;0.96;0.14484905767787168;0.9777777777777777;0.043099091407148966
0;0.2966666666666667;1.101619871854782;0.3333333333333333;1.0983738660812379
1;0.31666666666666665;1.0995729740460713;0.3333333333333333;1.0971401810646058
2;0.38333333333333336;1.096563483874003;0.4666666666666667;1.088875793086158
3;0.49;1.0192673313617706;0.4888888888888889;0.9418174978345633
4;0.6466666666666666;0.8057573953953882;0.7555555555555555;0.5847227472398017
5;0.7666666666666667;0.5985581304897399;0.8666666666666667;0.3594106081071206
6;0.8633333333333333;0.3865375413664151;0.8666666666666667;0.26723270468048416
7;0.8666666666666667;0.34876513199085213;0.7666666666666667;0.5391611470142783
8;0.9166666666666666;0.26522184591194675;0.8777777777777778;0.3059879948137191
9;0.9266666666666666;0.255861996667536;0.9888888888888889;0.136189596746893
10;0.8966666666666666;0.23721734272486325;0.9777777777777777;0.0932717735424578
11;0.9266666666666666;0.20408792957270636;0.9888888888888889;0.08560264976898427
12;0.9466666666666667;0.17367930325318337;0.9;0.20474433959592947
13;0.92;0.20943068658812838;0.9888888888888889;0.05461921227623192
14;0.9333333333333333;0.18896159706504573;0.9777777777777777;0.057616255595841576
15;0.9433333333333334;0.1582943967829111;0.9777777777777777;0.0435147247275127
16;0.9433333333333334;0.14427528096664696;1.0;0.03550728705290456
17;0.97;0.10700906684930213;1.0;0.037127656334402404
18;0.9633333333333334;0.1274074076354088;1.0;0.019284471188691064
19;0.9566666666666667;0.09169820058070954;1.0;0.013587676817597425
20;0.9366666666666666;0.14221510520711408;0.9555555555555556;0.09387423235962412
21;0.9633333333333334;0.11670985123764155;1.0;0.010757623550124783
22;0.9666666666666667;0.07131863682925346;1.0;0.014863678026584322
23;0.97;0.09415951795327307;1.0;0.018416572121917815
24;0.9733333333333334;0.07098047807415336;1.0;0.00688888817891748
0;0.3233333333333333;1.1027912664413453;0.3333333333333333;1.096113912264506
1;0.42333333333333334;1.076791142721971;0.5222222222222223;0.9274453924761878
2;0.56;0.8995265093942483;0.7111111111111111;0.6750076610181067
3;0.7233333333333334;0.6659805350905905;0.6222222222222222;0.8080540818666729
4;0.7966666666666666;0.46705799374166723;0.9111111111111111;0.26645009269122966
5;0.86;0.37365546731317106;0.9222222222222223;0.2161213486286417
6;0.87;0.3535085251479177;0.9111111111111111;0.2250709111092672
7;0.8933333333333333;0.2908587746020445;0.9555555555555556;0.13391536808387375
8;0.9233333333333333;0.2476600987159964;0.9666666666666667;0.10530442757003394
9;0.9066666666666666;0.2774880774622337;0.9444444444444444;0.11806566731385525
10;0.94;0.21551491769363262;0.9666666666666667;0.12152048524141605
11;0.94;0.19513589861168537;0.9111111111111111;0.19434599120540447
12;0.9466666666666667;0.1471581848812419;0.9777777777777777;0.058658319874635524
13;0.9433333333333334;0.16741322004613088;0.9555555555555556;0.14370135838493198
14;0.9466666666666667;0.1438330618375509;0.9555555555555556;0.12372367476997413
15;0.9333333333333333;0.20343630765278406;0.9666666666666667;0.0838476932170582
16;0.9533333333333334;0.12739566528551213;0.9777777777777777;0.09755038775824276
17;0.9533333333333334;0.12653674951199137;0.9888888888888889;0.09492823752018688
0;0.29333333333333333;1.1053550149997076;0.3333333333333333;1.099117848608229
1;0.37;1.098280638853709;0.3333333333333333;1.0879688084125518
2;0.44;1.074598064025243;0.5444444444444444;0.9808526393440035
3;0.45;1.0110696507493655;0.5777777777777777;0.9026194406880272
4;0.58;0.9000873857488235;0.7111111111111111;0.6582836952888304
5;0.67;0.7358127784046034;0.7888888888888889;0.5138211043655044
6;0.83;0.490210063441967;0.8333333333333334;0.35438148736332853
7;0.7933333333333333;0.44313407883086864;0.8666666666666667;0.3084346290076307
8;0.8533333333333334;0.38352624399897955;0.9555555555555556;0.18470008522623782
9;0.9066666666666666;0.2748007304976151;0.9111111111111111;0.16975904339855738
10;0.8866666666666667;0.2700867192549049;0.9;0.21099073331968915
11;0.9033333333333333;0.2682834683278634;0.9777777777777777;0.1319126325279083
12;0.93;0.23584329796770664;0.9777777777777777;0.14198254569268
13;0.9133333333333333;0.23641223268289346;0.9555555555555556;0.17552077722699802
14;0.9233333333333333;0.23344331065933754;1.0;0.06640025253626744
15;0.9333333333333333;0.1889087635505954;0.9777777777777777;0.1351269013176231
16;0.9466666666666667;0.169254085603435;0.9666666666666667;0.11013653386932781
17;0.9466666666666667;0.18856496160100358;0.9666666666666667;0.11653666070517658
18;0.9566666666666667;0.12328977887658624;0.9333333333333333;0.1276551425305671
19;0.94;0.15985977947601146;0.9555555555555556;0.09743126563037836
CNNmodel/myutil.py 0 → 100644
View file @ 25bd4e9a
#!/usr/bin/env python
'''
Author : Gunasinghe M.D.
IT NUM : IT17043342
'''
# Giving class label from probabilities
from keras.utils import np_utils
import numpy as np
def probas_to_classes(y_pred):
if len(y_pred.shape) > 1 and y_pred.shape[1] > 1:
return categorical_probas_to_classes(y_pred)
return np.array([1 if p > 0.5 else 0 for p in y_pred])
def categorical_probas_to_classes(p):
return np.argmax(p, axis=1)
CNNmodel/predict.py 0 → 100644
View file @ 25bd4e9a
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Author : Gunasinghe M.D.
IT NUM : IT17043342
"""
import pandas as pd
import numpy as np
import cv2
import argparse
from keras.models import load_model
from keras.preprocessing.image import ImageDataGenerator
from sklearn.metrics import confusion_matrix, accuracy_score
from myutil import probas_to_classes
# Loading and compiling presaved trained CNN
model = load_model('shapes_classification.h5')
label = {0: "Circle", 1: "Square", 2: "Triangle"}
def predict_one(file_name):
img = cv2.imread(file_name,cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (28, 28))
img = np.reshape(img, [1, 28, 28, 1])
classes = model.predict_classes(img)[0]
category = label[classes]
print("\nAnd {1} is the {0}".format(category, file_name))
# return category
print(classes)
def predict_dataset(input_dir):
test_datagen = ImageDataGenerator(rescale=1. / 255)
test_generator = test_datagen.flow_from_directory("shapes/test",
target_size=(28, 28),
color_mode="grayscale",
shuffle=False,
class_mode='categorical',
batch_size=1)
filenames = test_generator.filenames
nb_samples = len(filenames)
predict = model.predict_generator(test_generator, steps=nb_samples)
return predict, test_generator
def main():
# Instantiate the parser
parser = argparse.ArgumentParser()
parser.add_argument(
'--testdata', help='Classify images on test data', action='store_true')
parser.add_argument(
'--validationdata', help='Classify images on test data', action='store_true')
parser.add_argument('--image', help='Input your image file name')
args = parser.parse_args()
on_dataset = False
if args.testdata:
print("Classify images on test dataset")
on_dataset = True
input_dir = "shapes/test"
if args.validationdata:
print("Classify images on validation dataset")
on_dataset = True
input_dir = "shapes/validation"
if on_dataset:
predict, test_generator = predict_dataset(input_dir)
y_pred = probas_to_classes(predict)
y_true = test_generator.classes
X_images = test_generator.filenames
cm = confusion_matrix(y_true, y_pred)
ac = accuracy_score(y_true, y_pred)
for ele in list(zip(X_images, y_true, y_pred)):
print(ele)
else:
file_name = args.image
predict_one(file_name)
if __name__ == '__main__':
main()
CNNmodel/visulization.py 0 → 100644
View file @ 25bd4e9a
'''
Author : Gunasinghe M.D.
IT NUM : IT17043342
'''
import matplotlib.pyplot as plt
import numpy as np
def plot_model_history(model_history):
fig, axs = plt.subplots(1, 2, figsize=(15, 5))
# summarize history for accuracy
axs[0].plot(range(1, len(model_history.history['acc']) + 1),
model_history.history['acc'])
axs[0].plot(range(1, len(model_history.history['val_acc']) + 1),
model_history.history['val_acc'])
axs[0].set_title('Model Accuracy')
axs[0].set_ylabel('Accuracy')
axs[0].set_xlabel('Epoch')
axs[0].set_xticks(np.arange(1, len(model_history.history[
'acc']) + 1), len(model_history.history['acc']) / 10)
axs[0].legend(['train', 'val'], loc='best')
# summarize history for loss
axs[1].plot(range(1, len(model_history.history['loss']) + 1),
model_history.history['loss'])
axs[1].plot(range(1, len(model_history.history['val_loss']) + 1),
model_history.history['val_loss'])
axs[1].set_title('Model Loss')
axs[1].set_ylabel('Loss')
axs[1].set_xlabel('Epoch')
axs[1].set_xticks(np.arange(1, len(model_history.history[
'loss']) + 1), len(model_history.history['loss']) / 10)
axs[1].legend(['train', 'val'], loc='best')
plt.show()
Markdown is supported
0% or
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment