Aula 32 – Tensor Flow – Keras – CIFAR-10 – Carregando o Modelo

Aula 32 – Tensor Flow – Keras – CIFAR-10 – Carregando o Modelo

Voltar para página principal do blog

Todas as aulas desse curso

Aula 31                        Aula 33 (Ainda não disponível)

Python com Tensorflow

Python com Tensorflow

Se gostarem do conteúdo dêem um joinha 👍 na página do Código Fluente no
Facebook

Sigam o Código Fluente no Instagram e no TikTok.

Digital Innovation

Tensorflow

Quer aprender python3 de graça e com certificado? Acesse então:

workover

Meus link de afiliados:

Hostinger

Digital Ocean

One.com

Automatize tarefas do dia a dia com python:

Curso Python Bot

Curso Python Bot

Canais do Youtube

Toti:

Toti

Backing Track / Play-Along

Código Fluente

Putz!

Fiquem a vontade para me adicionar ao linkedin.

Notebook da aula

Repositórios no Github:

Notebooks/Modelo/Logs de Treinamento

Aplicação Streamilt

PIX para doações

PIX Nubank

PIX Nubank

Se quiser copiar o código do PIX:

00020126580014BR.GOV.BCB.PIX013643c5f950-535b-4658-b91f-1f1d135fe4105204000053039865802BR5925Antonio Cavalcante de Pau6009SAO PAULO61080540900062070503***6304946B


Aula 32 – Tensor Flow – Keras – CIFAR-10 – Carregando o Modelo

CIFAR-10

Recapitulando o que já fizemos

Primeiro chegamos ao nosso modelo base, que é o VGG3, depois testamos algumas técnicas de regularização, fomos vendo o desempenho do modelo e tentando melhorar.

O modelo que teve a maior precisão foi o que misturou 3 técnicas de regularização: Dropout, Data Augmentation e Batch Normalization.

Resultados Finais:

VGG3 + Weight Decay74,84%
VGG3 + Dropout82,33%
VGG3 + Data Augmentation 84,77%
VGG3 + Dropout + Data Augmentation – 83,79%
VGG3 + Dropout + Data Augmentation + Batch Normalization – 89.85%

Poderíamos continuar o processo de melhoria do modelo enquanto a gente tiver ideias, tempo e recursos para testá-las.

Na aula passada, a gente salvou o modelo VGG3 + Dropout + Data Augmentation + Batch Normalization, que teve uma precisão de 89.85%, no arquivo final_model.h5.

Agora, a gente vai carregar o modelo final final_model.h5 e avaliá-lo no conjunto de dados de teste.

Carregando o Modelo

O modelo pode ser carregado através da função load_model().


# load model
model = load_model('/content/final_model.h5')

Avalia do modelo


# evaluate model
_, acc = model.evaluate(testX, testY, verbose = 0)
print('> %.3f' % (acc * 100.0))

Carrega e Prepara a Imagem


# load and prepare the image
def load_image(filename):
    # load the image
    img = load_img(filename, target_size=(32, 32))
    # convert to array
    img = img_to_array(img)
    # reshape into a single sample with 3 channels
    img = img.reshape(1, 32, 32, 3)
    # prepare pixel data
    img = img.astype('float32')
    img = img / 255.0
    return img

Imagem a Ser Prevista

Agora carregamos a imagem aviao.png para submeter ao modelo.


# load the aviao image
img = load_image('aviao.png')

Previsão

# predict the class
y_predict = np.argmax(model.predict(img), axis=-1)

Resultado da Previsão


print(y_predict[0])

Aplicação Web Com Streamlit

Teste o app online, exatamente o mesmo que vamos.

App Streamlit

App Streamlit

Visite a página do Streamlit.

Preparação do Ambiente do App

Se não tiver o virtuaenv instalado, instale com:


pip install virtualenv

Agora crie um ambiente virtual para a gente instalar as bibliotecas que vamos precisar.


python -m venv streamlit_app

Ative o ambiente


streamlit_app\Scripts\activate

Com o ambiente ativado, instale o streamlit:


pip install streamlit

Agora o openCV.


pip install opencv-python

Instale também o Tensorflow.


pip install tensorflow

Acessando e Testando o Classificador de Imagens

Execute a Aplicação

Na pasta onde tá o app.py execute o comando abaixo.


streamlit run app.py

Acesse e Teste o Classificador

http://localhost:8501

Deploy

https://share.streamlit.io/

Vamos fazer o deploy no streamlit cloud de forma bem fácil, veja no vídeo do post.

Para isso, você precisa ter o projeto em um repositório online como o github.

Aí então é só informar qual é o repositório.

O nome do arquivo que inicia a aplicação, no meu caso: app.py.

E clicar no botão Deploy!

Painel do streamlit

Painel do streamlit

Agora é esperar o deploy e pronto, seu app classificador de imagens já está online.

Acesse ele e teste 😉

Por essa aula é só.

Notebook da aula

Repositórios no Github:

Notebooks/Modelo/Logs de Treinamento

Aplicação Streamilt


Voltar para página principal do blog

Todas as aulas desse curso

Aula 31                        Aula 33 (Ainda não disponível)

Meu github:

https://github.com/toticavalcanti

Se gostarem do conteúdo dêem um joinha 👍 na página do Código Fluente no
Facebook

Link do código fluente no Pinterest

Novamente deixo meus link de afiliados:

Hostinger

Digital Ocean

One.com

Obrigado, até a próxima e bons estudos. 😉

About The Author
-

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>