完整代码 以及预训练模型 获取方式:
关注微信公众号 datayx 然后回复 图像分类 即可获取。
文件结构及意义 VGG16_model:存放训练好的VGG16模型——vgg16_weights_tf_dim_ordering_tf_kernels.h5
main:主文件 - MedicalLargeClassification.py——图像识别GUI搭建——运行此文件即可启动程序
MedicalLargeFine_tuning.py——图像大类识别模型搭建 MedicalSegmentFine_tuning.py——医学小类识别模型搭建 MedicalLargeClassificationModel_weights_15.h5——训练好的图像大类分类模型
MedicalSegmentClassificationModel_weights_15.h5——训练好的医学小类分类模型
picture: craw_picture.py——爬虫系统构建 testCase:测试样本 注:由于.h5单文件超过了GitHub 100M的限制,项目总大小超过1个G,所以利用LFS进行git push 数据源 ImageNet开源数据集中的VOC2012一部分,进行类别合并,筛选出人物、动物、室内、交通四大类
从国外开源医疗图像网站www.openi.org上爬取图片,进行修剪,最终得到医学类图像
其中医学类又细分为了胸部、头部、四肢三类 数据规模:训练集1700张,验证集450张,测试集35张 模型 模型借鉴了迁移学习的思想,利用基于ImageNet数据集训练好的VGG16模型,释放最后一个卷积核的参数并且pop最后三层,再add三个Dense层。
其实这一步花费了很长时间,因为模型的迁移涉及到两个部分,一个是模型的框架,另一个是模型的参数。
先说官方文档,众所周知,keras的模型结构有两种:Sequential、Model。阅读VGG16的源码可以发现,VGG16是Model结构,而官网文档给的例子是用Sequential结构搭建模型后,将vgg16_weights_tf_dim_ordering_tf_kernels.h5的权重加载进模型,但是实际运行会报错——两种结构并不兼容
再说说博客,几乎所有的blog都和我的想法一致,尝试自己用Model结构搭建模型,但是在Flatten层都会报错,尝试各种写法都报错误
最后我决定不动Flatten层,利用Model的pop()将最后三层Dense删除,再增加合适尺寸的Dense层,问题解决
注:想要利用训练好的VGG16,最好自己下载,然后改VGG16源码里面的载入地址(因为Keras需要去国外下载,及其慢,本库存放在VGG16_model中)
训练 图像大类分类模型训练:人物、动物、室内、交通、医学
测试截图:红线框标注的为分类错误