Come addestrare una rete neurale per classificare oggetti partendo da una rete pre addestrata. Esempio per il riconoscimento di volti con mascherina e senza mascherina.

In questo articolo farò vedere come usare una rete neurale convoluzionale preaddestrata per classificare e riconoscere dei volti di persone con mascherina e senza mascherina.

L’esempio è stato scritto per essere eseguito  in colab o su Jupiter notebook, qui potete trovare l’esempio su colab.

Il rimo passo e recuperare un dataset idoneo allo scopo. Nella fattispecie sarà necessario recuperare una serie di immagini di persone con mascherina ed una seria di immagini di persone senza mascherina.

Per comodità lascio il link di un dataset di prova al seguente link.

Il dataset è organizzato in due directory :

——–> con_mask

——–> senza_mask

Dato che utilizzeremo una rete preaddestrata, per il nostro esempio utilizzeremo come backbone quello di una rete  InceptionV3  pre-addestrata con dataset ImageNet. Vediamo come fare.

Prima di tutto dobbiamo importare le librerie necessarie:

from keras.applications import InceptionV3, inception_v3

from keras.layers import Dense
from keras.models import Model
from keras.preprocessing.image import ImageDataGenerator
from keras.optimizers import Adam
import pathlib
import math
import tensorflow as tf
import matplotlib.pyplot as plt

backbone = InceptionV3(weights='imagenet', include_top=False, pooling="avg")

for l in backbone.layers:
  l.trainable = False

for l in backbone.layers: 
 l.trainable = True

x = backbone.output
x = Dense(1024, activation='relu')(x)
x = Dense(1024, activation='relu')(x)
x = Dense(512, activation='relu')(x)

classificatore = Dense(2, activation='softmax')(x)

model = Model(inputs=backbone.input, outputs=classificatore)

 model.summary()

oppure posso esaminare graficamente i blocchi:

tf.keras.utils.plot_model(model,show_layer_names=True)

A questo punto compiliamo  il modello indicando la loss function e l’ottimizzatore da utilizzare:

model.compile(loss="categorical_crossentropy", optimizer=Adam(lr=0.0001), metrics=["accuracy"])

!wget https://www.domsoria.com/download/DATASET/MASKNOMASK/datasetMaskNoMask.zip

!unzip -a datasetMaskNoMask.zip  -d "dataset"
!rm -rf dataset/__MACOSX # rimuovo una cartella inutile creata con lo zip

dataset_dir = pathlib.Path('drive/MyDrive/DATASET/')

datagen = ImageDataGenerator(preprocessing_function=inception_v3.preprocess_input,
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
validation_split=0.2) # set validation split

train_data = datagen.flow_from_directory(dataset_dir, 
                                         target_size=(224, 224),
                                         color_mode='rgb',
                                         batch_size=32, 
                                         class_mode='categorical',
                                         shuffle=True, 
                                         subset='training')

val_data = datagen.flow_from_directory(dataset_dir, 
                                       target_size=(224, 224),
                                       color_mode='rgb',
                                       batch_size=32, 
                                       class_mode='categorical',
                                       shuffle=True, 
                                       subset='validation')

Per l’addestramento provate ad utilizzare  10 epoche e vedrete che probabilmente otterrete una accuracy molto elevata.

hist = model.fit(train_data, steps_per_epoch=math.ceil(train_data.n / train_data.batch_size), epochs=10, verbose=1, validation_data=val_data)

Al termine dell’addestramento eseguiamo la seguente riga di codice per salvare il modello :

model.save_weights('model.h5')

attenzione se usate colab il modello salvato alla fine della sessione verrà cancellato.

In tal caso vi consiglio di salvare il modello ad esempio sul vostro drive google.

from google.colab import drive
drive.mount('/content/drive')
model.save_weights('drive/MyDrive/<Path su drive google>/model.h5')

Nel prossimo articolo farò vedere come fare la predict e quindi come utilizzare il modello salvato.

Qui potete trovare il link del progetto completo su github.

Seconda parte in progress >>

Domenico Soriano

Sono amante della tecnologia e delle tante sfumature del mondo IT, ho partecipato, sin dai primi anni di università ad importanti progetti in ambito Internet proseguendo, negli anni, allo startup, sviluppo e  direzione di diverse aziende; Nei primi anni di carriera ho lavorato come consulente nel mondo dell’IT italiano, partecipando attivamente a progetti nazionali ed internazionali per realtà quali Ericsson, Telecom, Tin.it, Accenture, Tiscali, CNR. Dal 2010 mi occupo di startup mediante una delle mie società techintouch S.r.l che grazie alla collaborazione con la  Digital Magics SpA, di cui sono Partner la Campania, mi occupo di supportare ed accelerare aziende del territorio .

Attualmente ricopro le cariche di :

– CTO MareGroup
– CTO Innoida

–   Co-CEO in Techintouch s.r.l.

–  Board member in StepFund GP SA

Manager ed imprenditore dal  2000  sono stato,
CEO e founder di Eclettica S.r.l. , Società specializzata in sviluppo software e System Integration
Partner per la Campania di Digital Magics S.p.A.
CTO e co-founder di Nexsoft S.p.A, società specializzata nella Consulenza di Servizi in ambito Informatico e sviluppo di soluzioni di System Integration, CTO della ITsys S.r.l. Società specializzata nella gestione di sistemi IT per la quale ho partecipato attivamente alla fase di startup.

Sognatore da sempre, curioso di novità ed alla ricerca di “nuovi mondi da esplorare“.