tensorflow를 활용한 이미지인식 모바일 어플리케이션 제작-2

1. 학습을 위한 디렉토리 생성

학습을 위한 디렉토리 안에 학습결과로 생성시킨 그래프파일, 라벨, 테스트용 파일 등을 집어넣을 것이기 때문에, 아래와 같은 구조로 디렉토리를 생성합니다.(train 폴더 안에 input, output 폴더를 생성합니다.)

2.학습을 위한 샘플 이미지파일들 

저같은 경우에는 물고기를 인식하는 어플을 만들고 싶어서 input폴더 안에 fish_photos라는 폴더를 생성했고, 그 밑에 다시 하위 디렉토리로 다양한 물고기 이름으로 된 디렉토리들을 생성해서 그 아래에 각각의 물고기 사진들이 수백개가 들어가 있습니다.

위의 디렉토리 구조를 잘 기억하시는게 좋습니다. 앞으로 우리만의 이미지학습을 시키고자 할때에도 동일한 구조로 디렉토리를 생성하시고 원하는 사진들을 분류해서 넣으면 됩니다.

3. 학습진행

결과 파일들을 생성할 폴더를 만들어줍니다.

그리고 아래의 명령어를 실행해줍니다.

• --bottleneck_dir : 분류를 위해 기존레이어와 비교하는 역할을 합니다. 이 디렉토리는 캐싱이 되어, 다음번에 훈련시킬때는 재사용됩니다(속도가 빨라집니다)
• --how_many_training_steps : 반복학습횟수 ( 이옵션을 빼면 디폴트값으로 4000번 학습합니다)
• --model_dir : 인셉션모델 디렉토리 (이거는 작업하면서 다운로드받습니다)
• --output_graph : 최종적인 학습결과 그래프파일
• --output_labels :  분류값 목록 (텍스트파일입니다)
• --image_dir : 학습시킬 이미지가 들어있는 폴더(하위폴더명이 라벨이 됩니다)

학습이 진행되는 동안 표시되는 값 설명

• Train accuracy : 학습이미지를 동일라벨 내의 학습된이미지들과 비교해서 추정정확도
• Validation accuracy: 학습이미지를 랜덤하게 뽑아낸 학습이미지들과 비교해서 추정정확도
• Cross entropy: loss function 이라고 하는데 일종의 오차율 정도로 이해해도 괜찮을것 같습니다 (낮을수록 좋음)

4.학습이 잘 되었는지 테스트

ouput이 아니라 output이다. 오타 죄송합니다.

상어사진을 테스트해본결과 sangeo 와 일치 확률이 0.933677이 나옵니다.

확률은 학습용 샘플이미지가 많을수록, 학습횟수가 많을수록 정확도가 올라갑니다.