TensorFlow-Beispiel - Bildklassifizierungsprojekt
Die Bildklassifizierung ist eine der grundlegendsten und wichtigsten Aufgaben im Bereich Computer Vision. Dieses Projekt verwendet das TensorFlow-Framework, um ein Deep-Learning-Modell zu erstellen, das verschiedene Kategorien von Bildern erkennen kann.
Was ist Bildklassifizierung
Die Bildklassifizierung ist eine Technik, die es Computern ermöglicht, automatisch die Kategorie zu identifizieren, zu der das Hauptobjekt in einem Bild gehört. Zum Beispiel:
- Erkennen, ob ein Foto eine Katze oder einen Hund enthält
- Unterscheidung zwischen verschiedenen Arten von Blumen
- Bestimmung von Läsionstypen in medizinischen Bildern
Technologieauswahl
Wir werden den folgenden Technologie-Stack verwenden:
- TensorFlow: Googles Mainstream-Framework für Deep Learning
- Keras: TensorFlows High-Level-API, vereinfacht die Modellerstellung
- Matplotlib: Wird zur Visualisierung des Trainingsprozesses und der Ergebnisse verwendet
Umgebungs-Setup
Erforderliche Bibliotheken installieren
pip install tensorflow matplotlib numpy
Installation überprüfen
import tensorflow as tf
print(f"TensorFlow 版本: {tf.__version__}")
Datensatzvorbereitung
Wir werden den klassischen CIFAR-10-Datensatz verwenden, der 60,000 32x32 Farbbilder in 10 Kategorien enthält.
Datensatz laden
Beispiel
# Daten laden
(train_images, train_labels), (test_images, test_labels) = cifar10.load_data()
# Klassennamen
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
'Hund', 'Frosch', 'Pferd', 'Schiff', 'LKW']
3.2 Datenvorverarbeitung
Beispiel
train_images = train_images / 255.0
test_images = test_images / 255.0
# Datenform anzeigen
print("Bildform des Trainingssatzes:", train_images.shape)
print("Label-Form des Trainingssatzes:", train_labels.shape)
4. Modell erstellen
4.1 Modellarchitektur
Wir erstellen ein Convolutional Neural Network (CNN), eine klassische Architektur für Bildaufgaben.
Beispiel
model = models.Sequential([
# Faltungsschicht 1
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
layers.MaxPooling2D((2, 2)),
# Faltungsschicht 2
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
# Faltungsschicht 3
layers.Conv2D(64, (3, 3), activation='relu'),
# Vollständig verbundene Schicht
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(10) # Ausgabeschicht, 10 Klassen
])
Visualisierung der Modellstruktur

Modell trainieren
Modell kompilieren
Beispiel
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
Training starten
Beispiel
validation_data=(test_images, test_labels))
Visualisierung des Trainingsprozesses
Beispiel
plt.plot(history.history['accuracy'], label='Trainingsgenauigkeit')
plt.plot(history.history['val_accuracy'], label='Validierungsgenauigkeit')
plt.xlabel('Epoche')
plt.ylabel('Genauigkeit')
plt.ylim([0, 1])
plt.legend(loc='lower right')
plt.show()
Modellbewertung und Vorhersage
Leistung des Testsets bewerten
Beispiel
print(f'\nTestgenauigkeit: {test_acc}')
Vorhersagen treffen
Beispiel
# Softmax-Schicht hinzufügen, um Ausgabewahrscheinlichkeiten zu erzeugen
probability_model = tf.keras.Sequential([model, layers.Softmax()])
# Vorhersagen für die ersten 5 Bilder des Testsets treffen
predictions = probability_model.predict(test_images[:5])
# Vorhersageergebnisse anzeigen
for i in range(5):
predicted_label = np.argmax(predictions[i])
true_label = test_labels[i][0]
print(f"Vorhersage: {class_names[predicted_label]} | Tatsächlich: {class_names[true_label]}")
Vorschläge zur Projekterweiterung
Methoden zur Verbesserung der Modellleistung
- Netzwerktiefe erhöhen (mehr Faltungsschichten)
- Daten-Augmentierungstechniken verwenden
- Verschiedene Optimierer und Lernraten ausprobieren
- Batch-Normalisierungsschichten hinzufügen
Praktische Anwendungsbereiche
- Medizinische Bildanalyse
- Objekterkennung im autonomen Fahren
- Industrielle Qualitätsprüfsysteme
- Sicherheitsüberwachungssysteme
8. Häufig gestellte Fragen
F1: Warum CNN anstelle eines regulären neuronalen Netzwerks wählen?
A: Mit lokalen Verbindungen und Gewichtsteilung kann CNN räumliche Merkmale von Bildern besser erfassen und hat weniger Parameter.
F2: Wie wählt man die geeignete Anzahl von Epochen?
A: Überwachen Sie die Validierungsgenauigkeit und beenden Sie das Training, wenn sie sich nicht mehr verbessert, um Overfitting zu vermeiden.
Q3: Was ist zu tun, wenn ein Out-of-Memory-Fehler auftritt?
A: Sie können die Batch-Größe reduzieren oder kleinere Bildabmessungen verwenden.
Andere Erweiterungen