합성곱 신경망_5.이미지 분류를 위한 신경망_3)VGGNet

VGGNet(브이지지넷)

•  작은 필터를 사용하는 대신 깊은 신경망을 만들자!
  • 신경망이 깊어질수록 수용 영역이 넓어지는 원리를 이용
  • 필터를 작게 만들어서 파라미터 수를 줄이고 대신 신경망을 깊게 하여 수용 영역이 충분하도록 설계
• 모델 구조(11 계층 ~ 13 계층, 16 계층, 19 계층)
  • VGG16: 16 계층 모델이 가장 많이 사용되며, VGG19보다 파라미터 수는 적지만 성능 차가 크지 않음
  • VGG16 모델 구조: 5개의 그룹 Conv1-Conv2-Conv3-Conv4-Conv5이 완전 연결 계층으로 연결되는 구조
  • FC7: 출력 직전의 계층으로, 이미지 표현이 가장 추상화된 상태로 이미지를 설명하는 콘텍스트 벡터로 쓰임

---

VGGNet(브이지지넷) 실습(VGG19)

### 라이브러리 호출

%load_ext tensorboard

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import cv2

from tensorflow.keras import Model
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.losses import categorical_crossentropy
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPooling2D, Dropout

---

### VGG19 네트워크 생성

from typing_extensions import Self
class VGG19(Sequential):
  def __init__(self, input_shape):
    super().__init__()

    self.add(Conv2D(64, kernel_size=(3,3), padding='same',
                    activation='relu', input_shape=input_shape))
    self.add(Conv2D(64, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(MaxPooling2D(pool_size=(2,2), strides=(2,2)))

    self.add(Conv2D(128, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(128, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(MaxPooling2D(pool_size=(2,2), strides=(2,2)))

    self.add(Conv2D(256, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(256, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(256, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(256, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(MaxPooling2D(pool_size=(2,2), strides=(2,2)))

    self.add(Conv2D(512, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(512, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(512, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(512, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(MaxPooling2D(pool_size=(2,2), strides=(2,2)))

    self.add(Conv2D(512, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(512, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(512, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(Conv2D(512, kernel_size=(3,3), padding='same',
                    activation='relu'))
    self.add(MaxPooling2D(pool_size=(2,2), strides=(2,2)))

    self.add(Flatten())
    self.add(Dense(4096, activation='relu'))
    self.add(Dropout(0.5))
    self.add(Dense(4096, activation='relu'))
    self.add(Dropout(0.5))
    self.add(Dense(1000, activation='softmax'))

    self.compile(optimizer=tf.keras.optimizers.Adam(0.003),
                 loss='categorical_crossentropy',
                 metrics=['accuracy'])

---

### VGG19 모델 출력

model = VGG19(input_shape=(224, 224, 3))
model.summary()

VGG19 모델 출력 결과 일부분

---

### Git에서 데이터 가져오기

!git clone https://github.com/gilbutITbook/080263.git

데이터 클론 완료

---

2022.12.29 - [Colab_사용팁] - Colab에서 Kaggle 데이터 바로 사용하기

Colab에서 Kaggle 데이터 바로 사용하기

위에 첨부한 글을 토대로 Kaggle에서 API를 가져와서 사전 훈련된 VGG19 모델을 가져옵니다.

### Colab에서 본인 API Token 등록

!pip install kaggle
from google.colab import files
files.upload()

API Token 등록 완료

---

### 등록된 API Token 파일 이동

!mkdir -p ~/.kaggle
!cp kaggle.json ~/.kaggle/

---

https://www.kaggle.com/datasets/keras/vgg19?resource=download&select=vgg19_weights_tf_dim_ordering_tf_kernels.h5 

VGG-19

해당 사이트에서 직접 다운로드를 받고 진행할 수 있습니다.

# 사전 훈련된 VGG19 모델의 가중치 내려받기

!kaggle datasets download -d keras/vgg19

VGG19 모델 다운로드 완료

---

### .zip 파일 압축 풀기

!unzip /content/vgg19.zip

.zip 파일 압축 풀기 완료

colab에 올라간 파일 최종

---

### 사전 훈련된 VGG19 가중치 내려받기 및 클래스 정의

model.load_weights("/content/vgg19_weights_tf_dim_ordering_tf_kernels.h5")
classes = {282:'cat',
           681:'notebook, notebook computer',
           970: 'alp'}

---

### 이미지 호출 및 예측

image1 = cv2.imread("/content/080263/chap6/data/cat.jpg")
image1 = cv2.resize(image1, (224,224))
plt.figure()
plt.imshow(image1)
image1 = image1[np.newaxis, :]
predicted_value = model.predict(image1) # 설명 1
predicted_value = np.argmax(predicted_value)

plt.title(classes[predicted_value])

고양이 사진 예측 결과

참고: 서지영, 『딥러닝 텐서플로 교과서』, 길벗(2022)