CropNet: Wykrywanie chorób manioku

Zobacz na TensorFlow.org Uruchom w Google Colab Zobacz na GitHub Pobierz notatnik Zobacz model piasty TF

Notebook ten pokazuje, jak korzystać z CropNet maniok choroba klasyfikatora model z TensorFlow Hub. Modelowe klasyfikuje obrazy liści manioku do jednej z 6 klas: zaraza bakteryjna, brązowa smuga chorobowych, zielony roztoczy, choroba mozaika, zdrowe, lub nieznane.

Ta współpraca pokazuje, jak:

  • Załaduj https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2 model z TensorFlow Hub
  • Załaduj maniok zestawu danych z TensorFlow zbiorów danych (TFDS)
  • Klasyfikuj obrazy liści manioku na 4 różne kategorie chorób manioku lub jako zdrowe lub nieznane.
  • Ocenić dokładność klasyfikatora i przyjrzeć się jak solidny model jest po nałożeniu na out obrazów domen.

Import i konfiguracja

pip install matplotlib==3.2.2

import numpy as np
import matplotlib.pyplot as plt

import tensorflow as tf
import tensorflow_datasets as tfds
import tensorflow_hub as hub

Funkcja pomocnicza do wyświetlania przykładów

Zbiór danych

Obciążenie Chodźmy zestaw danych maniok z TFDS

dataset, info = tfds.load('cassava', with_info=True)

Rzućmy okiem na informacje o zbiorze danych, aby dowiedzieć się więcej na ten temat, na przykład opis i cytat oraz informacje o liczbie dostępnych przykładów

info

tfds.core.DatasetInfo(
    name='cassava',
    full_name='cassava/0.1.0',
    description="""
    Cassava consists of leaf images for the cassava plant depicting healthy and
    four (4) disease conditions; Cassava Mosaic Disease (CMD), Cassava Bacterial
    Blight (CBB), Cassava Greem Mite (CGM) and Cassava Brown Streak Disease (CBSD).
    Dataset consists of a total of 9430 labelled images.
    The 9430 labelled images are split into a training set (5656), a test set(1885)
    and a validation set (1889). The number of images per class are unbalanced with
    the two disease classes CMD and CBSD having 72% of the images.
    """,
    homepage='https://www.kaggle.com/c/cassava-disease/overview',
    data_path='gs://tensorflow-datasets/datasets/cassava/0.1.0',
    download_size=1.26 GiB,
    dataset_size=Unknown size,
    features=FeaturesDict({
        'image': Image(shape=(None, None, 3), dtype=tf.uint8),
        'image/filename': Text(shape=(), dtype=tf.string),
        'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    }),
    supervised_keys=('image', 'label'),
    disable_shuffling=False,
    splits={
        'test': <SplitInfo num_examples=1885, num_shards=4>,
        'train': <SplitInfo num_examples=5656, num_shards=8>,
        'validation': <SplitInfo num_examples=1889, num_shards=4>,
    },
    citation="""@misc{mwebaze2019icassava,
        title={iCassava 2019Fine-Grained Visual Categorization Challenge},
        author={Ernest Mwebaze and Timnit Gebru and Andrea Frome and Solomon Nsumba and Jeremy Tusubira},
        year={2019},
        eprint={1908.02900},
        archivePrefix={arXiv},
        primaryClass={cs.CV}
    }""",
)

Maniok zbiór danych zawiera obrazy liści manioku z 4 różnych chorób, a także zdrowych liści manioku. Model może przewidzieć wszystkie te klasy, a także szóstą klasę dla „nieznanego”, gdy model nie jest pewny swoich przewidywań.

# Extend the cassava dataset classes with 'unknown'
class_names = info.features['label'].names + ['unknown']

# Map the class names to human readable names
name_map = dict(
    cmd='Mosaic Disease',
    cbb='Bacterial Blight',
    cgm='Green Mite',
    cbsd='Brown Streak Disease',
    healthy='Healthy',
    unknown='Unknown')

print(len(class_names), 'classes:')
print(class_names)
print([name_map[name] for name in class_names])

6 classes:
['cbb', 'cbsd', 'cgm', 'cmd', 'healthy', 'unknown']
['Bacterial Blight', 'Brown Streak Disease', 'Green Mite', 'Mosaic Disease', 'Healthy', 'Unknown']

Zanim będziemy mogli przesłać dane do modelu, musimy trochę wstępnie przetworzyć. Model oczekuje obrazów 224 x 224 z wartościami kanałów RGB w [0, 1]. Znormalizujmy i zmieńmy rozmiar obrazów.

def preprocess_fn(data):
  image = data['image']

  # Normalize [0, 255] to [0, 1]
  image = tf.cast(image, tf.float32)
  image = image / 255.

  # Resize the images to 224 x 224
  image = tf.image.resize(image, (224, 224))

  data['image'] = image
  return data

Rzućmy okiem na kilka przykładów ze zbioru danych

batch = dataset['validation'].map(preprocess_fn).batch(25).as_numpy_iterator()
examples = next(batch)
plot(examples)

png

Model

Załadujmy klasyfikator z TF Hub i zdobądźmy kilka przewidywań i zobaczmy, jak przewidywania modelu są na kilku przykładach

classifier = hub.KerasLayer('https://tfhub.dev/google/cropnet/classifier/cassava_disease_V1/2')
probabilities = classifier(examples['image'])
predictions = tf.argmax(probabilities, axis=-1)

plot(examples, predictions)

png

Ocena i solidność

Załóżmy zmierzyć dokładność naszego klasyfikatora na podziale zbioru danych. Możemy również spojrzeć na solidność modelu oceniając jego działanie na zbiorze non-manioku. Na obrazie innych zbiorów danych roślin, takich jak iNaturalist lub fasoli, model powinien prawie zawsze wracają nieznany.

Parametry

def label_to_unknown_fn(data):
  data['label'] = 5  # Override label to unknown.
  return data

# Preprocess the examples and map the image label to unknown for non-cassava datasets.
ds = tfds.load(DATASET, split=DATASET_SPLIT).map(preprocess_fn).take(MAX_EXAMPLES)
dataset_description = DATASET
if DATASET != 'cassava':
  ds = ds.map(label_to_unknown_fn)
  dataset_description += ' (labels mapped to unknown)'
ds = ds.batch(BATCH_SIZE)

# Calculate the accuracy of the model
metric = tf.keras.metrics.Accuracy()
for examples in ds:
  probabilities = classifier(examples['image'])
  predictions = tf.math.argmax(probabilities, axis=-1)
  labels = examples['label']
  metric.update_state(labels, predictions)

print('Accuracy on %s: %.2f' % (dataset_description, metric.result().numpy()))

Accuracy on cassava: 0.88

Ucz się więcej