Пример TensorFlow - Проект классификации изображений
Классификация изображений — одна из самых фундаментальных и важных задач в компьютерном зрении. В этом проекте мы будем использовать фреймворк TensorFlow для построения модели глубокого обучения, способной распознавать различные категории изображений.
Что такое классификация изображений
Классификация изображений — это технология, позволяющая компьютерам автоматически определять категорию, к которой относится основной объект на изображении. Например:
- Распознавание, содержит ли фотография кошку или собаку
- Различение разных типов цветов
- Определение типов поражений на медицинских изображениях
Выбор технологий
Мы будем использовать следующий технологический стек:
- TensorFlow: основной фреймворк глубокого обучения от Google
- Keras: высокоуровневый API TensorFlow, упрощает построение моделей
- Matplotlib: используется для визуализации процесса обучения и результатов
Настройка окружения
Установка необходимых библиотек
pip install tensorflow matplotlib numpy
Проверка установки
import tensorflow as tf
print(f"TensorFlow 版本: {tf.__version__}")
Подготовка набора данных
Мы будем использовать классический набор данных CIFAR-10, который содержит 60,000 цветных изображений 32x32 в 10 категориях.
Загрузка набора данных
Пример
# Загрузить данные
(train_images, train_labels), (test_images, test_labels) = cifar10.load_data()
# Имена классов
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
'собака', 'лягушка', 'лошадь', 'корабль', 'грузовик']
3.2 Предобработка данных
Пример
train_images = train_images / 255.0
test_images = test_images / 255.0
# Просмотр формы данных
print("Форма изображений обучающего набора:", train_images.shape)
print("Форма меток обучающего набора:", train_labels.shape)
4. Построение модели
4.1 Архитектура модели
Мы построим свёрточную нейронную сеть (CNN), которая является классической архитектурой для задач обработки изображений.
Пример
model = models.Sequential([
# Свёрточный слой 1
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
layers.MaxPooling2D((2, 2)),
# Свёрточный слой 2
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
# Свёрточный слой 3
layers.Conv2D(64, (3, 3), activation='relu'),
# Полносвязный слой
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(10) # Выходной слой, 10 классов
])
Визуализация структуры модели

Обучение модели
Скомпилировать модель
Пример
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
Начать обучение
Пример
validation_data=(test_images, test_labels))
Визуализация процесса обучения
Пример
plt.plot(history.history['accuracy'], label='Точность обучения')
plt.plot(history.history['val_accuracy'], label='Точность валидации')
plt.xlabel('Эпоха')
plt.ylabel('Точность')
plt.ylim([0, 1])
plt.legend(loc='lower right')
plt.show()
Оценка и прогнозирование модели
Оценка производительности на тестовом наборе
Пример
print(f'\nТочность на тесте: {test_acc}')
Сделать предсказания
Пример
# Добавить слой softmax для получения вероятностей выходов
probability_model = tf.keras.Sequential([model, layers.Softmax()])
# Сделать предсказания на первых 5 изображениях тестового набора
predictions = probability_model.predict(test_images[:5])
# Показать результаты предсказаний
for i in range(5):
predicted_label = np.argmax(predictions[i])
true_label = test_labels[i][0]
print(f"Предсказание: {class_names[predicted_label]} | Истинное: {class_names[true_label]}")
Предложения по расширению проекта
Методы повышения производительности модели
- Увеличьте глубину сети (больше свёрточных слоёв)
- Используйте методы аугментации данных
- Попробуйте разные оптимизаторы и скорости обучения
- Добавьте слои пакетной нормализации
Практические направления применения
- Анализ медицинских изображений
- Распознавание объектов в автономном вождении
- Промышленные системы контроля качества
- Системы охранного видеонаблюдения
8. Часто задаваемые вопросы
Q1: Почему стоит выбрать CNN вместо обычной нейронной сети?
A: Благодаря локальным связям и совместному использованию весов CNN лучше улавливает пространственные признаки изображений и имеет меньше параметров.
Q2: Как выбрать подходящее количество эпох?
О: Следите за точностью на валидации и останавливайте обучение, когда она перестанет улучшаться, чтобы избежать переобучения.
В3: Что делать, если возникла ошибка нехватки памяти?
О: Можно уменьшить размер пакета или использовать меньшие размеры изображения.
Другие расширения