Este projeto visa gerar um classificador de imagens usando o algoritmo KNN(K-Nearest Neighbors).
Dado um conjunto de dados de treino(geralmente representado como vetores) e suas respectivas classes, a fase de treinamento deste algoritmo consiste apenas em armazenar as features e classes deste conjunto.
Na fase de classificação, a classe de um elemento não classificado será definida pela classe mais recorrente dos K vizinhos mais próximos, sendo K um parâmetro definido pelo usuário. Pode-se também definir como será medida a distância entre os elementos. Alguns métricas comuns para elementos numéricos são a distância euclidiana e de Manhattan.
No caso deste projeto, as features das imagens são os valores dos seus histogramas para os canais R, G e B. O treinamento é feito usando a biblioteca Sklearn e o processamento das imagens é feito usando Numpy, Pandas e OpenCv. As imagens das pastas gorillas e orangutans foram obtidas no site imgs.cv.
Os parâmetros de treino podem ser definidos no arquivo params.py.
folders = ['gorillas', 'orangutans']
img_size = 256
num_imgs = -1
test_size = 0.3
random_state = 42
max_k = 100
classify_imgs_folder = 'classify_imgs'folders- Pastas contendo as imagens para treinamentoimg_size- Dimensão para a qual todas as imagens serão redimensionadasnum_imgs- Quantidade de imagens que serão lidas por pasta. Defina -1 caso queira ler todas as imagens em cada pastatest_size- Porcentagem das imagens que serão usadas para teste do classificador(medição do score). O resto das imagens será usado para treinamentorandom_state- Controla o embaralhamento aplicado aos dados antes de aplicar a divisão entre treino e teste. Útil para reproduzir a mesma saída em diferentes execuçõesmax_k- Valor máximo do parâmetroKquando estiver buscando o seu melhor valorclassify_imgs_folder- Pasta contendo imagens definidas pelo usuário para teste do modelo treinado
poetry install
poetry run imgs_to_csv
A pasta csvs será gerada por este comando. Para cada pasta no parâmetro folders, um arquivo .csv será gerado e salvo em csvs.
poetry run train
O classificador será exportado para o arquivo knn_pickle, que será usado na etapa de classificação.
poetry run classify
