- Diego David Charrez Ticona
- Edson Arratea Ope
- Base de datos FLOWERS17 and FLOWERS102.
- Modelos usados - VGG16, VGG19.
- Weights used - ImageNet
- Clasificador usado - Logistic Regression
- Theano o TensorFlow
sudo pip install theano
orsudo pip install tensorflow
- Keras
sudo pip install keras
- NumPy
sudo pip install numpy
- matplotlib
sudo pip install matplotlib
tambien se necesita estesudo apt-get install python-dev
- seaborn
sudo pip install seaborn
- h5py
sudo pip install h5py
- scikit-learn
sudo pip install scikit-learn
- Este proyecto fue probado en ubuntu 14.04.
- Organizar base de datos -
python organize_flowers17.py
- Extraccion de caracteristicas usando CNN -
python extract_features.py
- Entrenamiento del modelo usando regresion logistica -
python train.py
Las tablas de abajo muestran la precision obtenida por cada modelo deep neural network para extraer caracteristicas del dateset FLOWERS17 usando diferentes parametros.
-
Resultados-1
- test_size : 0.10
- clasificador : Logistic Regression
Modelo | Rank-1 precision | Rank-5 precision |
---|---|---|
VGG16 | 85.29% | 98.53% |
VGG19 | 88.24% | 99.26% |
-
Resultados-2
- test_size : 0.30
- clasificador : Logistic Regression
Modelo | Rank-1 precision | Rank-5 precision |
---|---|---|
VGG16 | 88.24% | 99.02% |
VGG19 | 88.73% | 98.77% |