Dogs_Cats_Classification.py

import numpy as np
import pandas as pd
from keras.preprocessing.image import ImageDataGenerator,load_img
from tensorflow.keras.utils import to_categorical
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import random
import os
from keras.models import Sequential
from keras.layers import Conv2D,MaxPooling2D,\
     Dropout,Flatten,Dense,Activation,\
     BatchNormalization

Image_Width=128
Image_Height=128
Image_Size=(Image_Width,Image_Height)
Image_Channels=3

filenames=os.listdir("./train") #trả về 1 list các tên của file có trong folder

categories=[] #tạo 1 list rỗng
for f_name in filenames: #tạo 1 vòng lặp qua từng tên file 
    category=f_name.split('.')[0] #chia tên file rồi lấy phần từ thứ nhất(dog hoặc cat)
    if category=='dog':
        categories.append(1)
    else:
        categories.append(0)

df=pd.DataFrame({ #tạo cấu trúc dữ liệu dạng keys-values
    'filename':filenames,
    'category':categories
})

model=Sequential()
model.add(Conv2D(32,(3,3),activation='relu',input_shape=(Image_Width,Image_Height,Image_Channels)))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(64, (3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(128, (3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(128, (3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dense(2,activation='softmax'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['acc'])

from keras.callbacks import EarlyStopping, ReduceLROnPlateau
earlystop = EarlyStopping(patience = 10)
learning_rate_reduction = ReduceLROnPlateau(monitor = 'val_acc',patience = 2,verbose = 1,factor = 0.5,min_lr = 0.00001)
callbacks = [earlystop,learning_rate_reduction]

df["category"] = df["category"].replace({0:'cat',1:'dog'}) #chuyển các giá trị 0,1 thành dog và cat tương ứng 
train_df,validate_df = train_test_split(df,test_size=0.20, random_state=42) #chia tập dữ liệu train và val bằng hàm train_test_plit()

train_df = train_df.reset_index(drop=True)
validate_df = validate_df.reset_index(drop=True)

total_train=train_df.shape[0]
total_validate=validate_df.shape[0]
batch_size=15

#8. Trình tạo dữ liệu đào tạo và xác nhận:
#tạo dữ liệu mới
train_datagen = ImageDataGenerator(rotation_range=15, #phạm vi độ cho phép quay 
                                rescale=1./255, #hệ số thay đổi tỉ lệ
                                shear_range=0.1, #cường độ cắt
                                zoom_range=0.2, #phạm vi thu phóng ngẫu nhiên
                                horizontal_flip=True, #lật ngẫu nhiên các đầu vào theo chiều ngang
                                width_shift_range=0.1, #
                                height_shift_range=0.1
                                )

train_generator = train_datagen.flow_from_dataframe(train_df, #lấy khung dữ liệu và đường dẫn đến thư mục+tạo hàng loạt các lô tạo chứ dữ liệu
                                                 "./train",x_col='filename',y_col='category', #đường dẫn đến để đọc dữ liệu
                                                 target_size=Image_Size, #kích thước áp dụng vào tất cả ảnh 
                                                 class_mode='categorical', #
                                                 batch_size=batch_size)

validation_datagen = ImageDataGenerator(rescale=1./255)
validation_generator = validation_datagen.flow_from_dataframe(
    validate_df, 
    "./dogs-vs-cats/train/", 
    x_col='filename',
    y_col='category',
    target_size=Image_Size,
    class_mode='categorical',
    batch_size=batch_size
)

test_datagen = ImageDataGenerator(rotation_range=15,
                                rescale=1./255,
                                shear_range=0.1,
                                zoom_range=0.2,
                                horizontal_flip=True,
                                width_shift_range=0.1,
                                height_shift_range=0.1)

test_generator = train_datagen.flow_from_dataframe(train_df,
                                                 "./dogs-vs-cats/test/",x_col='filename',y_col='category',
                                                 target_size=Image_Size,
                                                 class_mode='categorical',
                                                 batch_size=batch_size)

epochs=10
history = model.fit(
    train_generator, 
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=total_validate//batch_size,
    steps_per_epoch=total_train//batch_size,
    callbacks=callbacks
)