File size: 3,509 Bytes
e6b3e35 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 |
import tensorflow as tf
import tensorflow.keras as keras
import util
import numpy as np
class ModelManager:
models = {}
TYPE_XCEPTION = "xception"
TYPE_RESNET101 = "resenet101"
TYPE_EFFICIENTNETB3 = "efficientnetb3"
#adicona um modelo à coleção carregando ele no keras
def _add_model(self, name, path, size, type_model):
container = {}
#importa modelo
container["model"] = tf.keras.models.load_model(path)
#importa tamanho da entrada
token = size.split(",")
container["size"] = (int(token[0]), int(token[1]))
#define os métodos de preprocessamento
if type_model == self.TYPE_XCEPTION:
container["preprocessing"] = keras.applications.xception.preprocess_input
container["undo_changes"] = self.xception_undo_changes
#as imaplementacoes usam a V2 da resnet
elif type_model == self.TYPE_RESNET101:
container["preprocessing"] = keras.applications.resnet_v2.preprocess_input
container["undo_changes"] = self.resnet_undo_changes
elif type_model == self.TYPE_EFFICIENTNETB3:
container["preprocessing"] = keras.applications.efficientnet.preprocess_input
container["undo_changes"] = self.efficientnet_undo_changes
#caso o tipo nao esteja definido nenhum preprocessamento é aplicado
else:
container["preprocessing"] = self.fake_preprocess
#considerando que nada é necessário na xception, o método pode agir como desfazer de outros modelos
container["undo_changes"] = self.efficientnet_undo_changes
self.models[name] = container
#retorna um modelo
def configure_model(self, name, path, size, type_model):
if not name in self.models:
self._add_model(name, path, size, type_model)
return self.models[name]
def configure_classes(self, classes):
self.CLASSES = classes
self.CLASSES_NAMES = list(classes.keys())
#pega modelo sem ativação para fazer o gradcam
def get_model_without_activation(self, name, path):
model = self.get_model(name, path)
clone = tf.keras.models.clone_model(model)
clone.layers[-1].activation = None
return clone
def fake_preprocess(self, img):
return img
def make_prediction(self, model, img_path):
img_array = util.get_img_array(img_path, self.models[model]["size"], expand=True)
img_array_preprocessed = self.models[model]["preprocessing"](img_array)
prediction = self.models[model]["model"].predict(img_array_preprocessed)
print(prediction.shape)
class_index = np.argmax(prediction, axis=1)
result={"class_name":self.CLASSES_NAMES[class_index[0]], "score":prediction[0, class_index[0]]}
print(result)
return result
#metodo responsável por desafazer as mudancas necessárias na imagem para treinar/inferir modelos
#do tipo xception
def xception_undo_changes(self, img):
return img / 2 + 0.5
#método responsável por desfazer as mudancas necessarias na imagem para treinar/inferir em modelos
#do tipo xcpetion
def efficientnet_undo_changes(self, img):
return img.astype('uint8')
#metodo responsável por desafazer as mudancas necessárias na imagem para treinar/inferir modelos
#do tipo resnet
def resnet_undo_changes(self, img):
return img / 2 + 0.5
|