Programming Image Recognition with KI – Beginner Tutorial in Keras (Deep Learning)

In diesem Tutorial werden wir lernen, wie man ein Bilderkennungsprogramm mit Keras, einer beliebten Deep Learning-Bibliothek, für Anfänger erstellt. Bilderkennung ist eine der wichtigsten Anwendungen von Deep Learning und mit Keras können wir dies auf einfache Weise erreichen. Wir werden ein einfaches Modell erstellen, das in der Lage ist, Hunde von Katzen zu unterscheiden.

Schritt 1: Installation von Keras

Bevor wir beginnen, müssen wir sicherstellen, dass Keras auf unserem System installiert ist. Keras kann über pip installiert werden:

pip install keras

Schritt 2: Ein Datensatz laden

Für unser Bilderkennungsproblem werden wir den bekannten CIFAR-10-Datensatz verwenden, der 60.000 Bilder von 10 verschiedenen Klassen enthält, darunter Hunde und Katzen. Sie können den Datensatz von der offiziellen CIFAR-10-Website herunterladen.

Schritt 3: Daten vorverarbeiten

Bevor wir mit dem Training unseres Modells beginnen, müssen wir die Daten vorverarbeiten. Dies beinhaltet das Laden der Bilder, das Konvertieren in das richtige Format und das Skalieren der Pixelwerte auf einen Wertebereich von 0 bis 1. Dies kann mit Hilfe von Keras und Numpy durchgeführt werden:

from keras.datasets import cifar10
from keras.utils import to_categorical

(x_train, y_train), (x_test, y_test) = cifar10.load_data()

x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

Schritt 4: Ein simples CNN-Modell erstellen

Jetzt können wir unser einfaches CNN-Modell erstellen. Ein CNN (Convolutional Neural Network) ist eine Art von Deep Learning-Modell, das speziell für die Verarbeitung von Bildern entwickelt wurde. In Keras können wir ein CNN leicht mit dem Sequential-Modell erstellen:

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))

Schritt 5: Das Modell kompilieren und trainieren

Bevor wir das Modell trainieren können, müssen wir es kompilieren. Dies beinhaltet die Auswahl eines Optimierungsalgorithmus, einer Verlustfunktion und einer Metrik zur Bewertung der Leistung des Modells. Wir können das Modell mit dem Adam-Optimierer und der categorical_crossentropy-Verlustfunktion kompilieren:

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test))

Schritt 6: Das Modell evaluieren

Nachdem das Modell trainiert wurde, können wir es evaluieren, um herauszufinden, wie gut es funktioniert. Dies können wir mit der evaluate-Methode in Keras tun:

score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

Schritt 7: Vorhersagen machen

Schließlich können wir unser trainiertes Modell verwenden, um Vorhersagen über neue, nicht gesehene Daten zu treffen. Wir können dies mit der predict-Methode in Keras tun:

predictions = model.predict(x_test)

Das war’s! Mit diesen Schritten haben wir erfolgreich ein Bilderkennungsprogramm für die Unterscheidung von Hunden und Katzen erstellt. Sie können diese Schritte anpassen und erweitern, um komplexere Bilderkennungsprobleme zu lösen. Viel Spaß beim Experimentieren mit Keras und Deep Learning!