[AI] Fashion Mnist 데이터셋으로 이미지 분류하기

안녕하세요!

오늘은 교과서처럼 사용되는 데이터셋중 하나인 Fasion MNIST 데이터셋으로  이미지를 분류해볼 예정입니다.

데이터셋에 대한 자세한 내용은 캐글에서 확인하시길 바랍니다.

Fashion MNIST | Kaggle

Fashion MNIST

 

바로 시작해볼까요?

---

먼저 필요한 라이브러리를 불러옵니다.

 

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt

 

다음으로 Fasion Mnist 데이터를 불러옵니다.

fashion_mnist = keras.datasets.fashion_mnist

 

데이터는 각 이미지와 이미지에 대한 설명인 label 데이터로 이루어져있습니다.

학습 데이터와 테스트 데이터로 분리합니다.

이때 이미지의 사이즈를 알기 위해 shape 또한 출력해봅니다.

(train_image, train_label), (test_image, test_label) = fashion_mnist.load_data()
print(f'train Image Shape : {train_image.shape}')
print(f'test Image Shape : {test_image.shape}')
print(f'train Iabel Shape : {train_label.shape}')
print(f'test Iabel Shape : {test_label.shape}')

 

 

28 x 28의 흑색 이미지가 학습 데이터에 6만개, 테스트 데이터에 만개 저장되어있고, 각 라벨에 대한 데이터도 동일한 수로 저장되어있네요

 

각 라벨에 대한 정보를 확인하기 위해 캐글 사이트에 들어가서 보았더니,

의 순서로 저장되어 있네요.

 

클래스 네임을 동일하게 지정해줍니다.

 

class_names = [
    'T-shirt/top',
    'Trouser',
    'Pullover',
    'Dress',
    'Coat',
    'Sandal',
    'Shirt',
    'Sneaker',
    'Bag',
    'Ankle boot'
]

 

이미지 샘플 하나를 확인해볼까요?

 

plt.figure()
plt.imshow(train_image[22330])
plt.colorbar()
plt.grid(False)
plt.show()
print(class_names[train_label[22330]])

이미지와 라벨이 각 인덱스에 맞게 저장이 잘 되어있네요

 

더 많은 데이터를 확인하기 위해 훈련 세트에서 처음 25개의 사진을 확인해봅니다

 

plt.figure(figsize=(10,10))
for i in range(25):
  plt.subplot(5,5,i+1)
  plt.xticks([])
  plt.yticks([])
  plt.grid(False)
  plt.imshow(train_image[i], cmap=plt.cm.binary)
  plt.xlabel(class_names[train_label[i]])
plt.show()

 

 

---

이제 본격적으로 모델에 데이터를 넣어 학습할 준비를 해보겠습니다.

현재 데이터는 이미지의 픽셀값(0~255)로 저장되어 있으니 0~1 사이의 값으로 정규화 해주겠습니다.

 

train_image = train_image / 255.0
test_image = test_image / 255.0

 

이제 모델을 설계해봅시다.

이번 시간에는 간단한 모델을 사용하고, 다음 글에서는 CNN을 사용하여 이미지를 분류해보겠습니다.

 

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28,28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])
model.summary()

 

첫 번째로, Flatten 모델을 사용하여 28 x 28 의 데이터를 1차원으로 받아옵니다.

다음으로 Dense 모델에 relu 함수를 사용하여 오차가 급격하게 줄어드는 기울기 소멸 문제를 완화합니다.

마지막으로 총 10개의 class_names가 있으므로 출력층의 노드는 10개로 정해주며 각 노드의 결과값의 총 합이

1이 되도록 하는 softmax를 사용합니다.

 

다음으로 원핫인코딩을 사용하지 않아도 되며 정수값으로 분류가 가능한 sparse_categorical_entropy를 사용하여 model을 컴파일 해줍니다.

 

model.compile(optimizer = 'adam', loss = 'sparse_categorical_crossentropy', metrics=['accuracy'])

 

이제 모델 학습의 마지막 결과인 fit 를 사용하여 모델을 학습합니다.

 

model.fit(train_image, train_label, epochs=5)

 

학습 결과를 확인해보겠습니다.

 

test_loss, test_acc = model.evaluate(test_image, test_label, verbose=2)

 

epoch를 낮은 수치인 5로 설정하였기 때문에 정확도가 안좋지만, 적당한 시간으로 학습을 하면 성능이 많이 올라갈 수 있습니다.

 

이제 마지막으로 예측을 해볼까요?

 

prediction = model.predict(test_image)
plt.imshow(test_image[0])
np.argmax(prediction[0])
print(class_names[test_label[0]])

 

 

예측 결과가 잘 맞네요

 

다음 글에서 뵙겠습니다!