Ejemplo red de clasificación

import tensorflow as tf
import tensorflow_datasets as tfds

datos, metadatos = tfds.load("horses_or_humans", as_supervised=True, with_info=True)
tfds.show_examples(datos["train"], metadatos)

import matplotlib.pyplot as plt
import cv2  # opencv - trabajar y hacer transformaciones en imagenes

plt.figure(figsize=(20, 20))

TAMANO_IMG = 100

for i, (imagen, etiqueta) in enumerate(datos["train"].take(25)):
    imagen = cv2.resize(imagen.numpy(), (TAMANO_IMG, TAMANO_IMG))
    imagen = cv2.cvtColor(imagen, cv2.COLOR_BGR2GRAY)
    plt.subplot(5, 5, i + 1)
    plt.imshow(imagen, cmap="gray")

plt.show()

datos_entrenamiento = []
for i, (imagen, etiqueta) in enumerate(datos["train"]):
    imagen = cv2.resize(imagen.numpy(), (TAMANO_IMG, TAMANO_IMG))
    imagen = cv2.cvtColor(imagen, cv2.COLOR_BGR2GRAY)
    imagen = imagen.reshape(TAMANO_IMG, TAMANO_IMG, 1)
    datos_entrenamiento.append([imagen, etiqueta])

datos_pruebas = []
for i, (imagen, etiqueta) in enumerate(datos["test"]):
    imagen = cv2.resize(imagen.numpy(), (TAMANO_IMG, TAMANO_IMG))
    imagen = cv2.cvtColor(imagen, cv2.COLOR_BGR2GRAY)
    imagen = imagen.reshape(TAMANO_IMG, TAMANO_IMG, 1)
    datos_pruebas.append([imagen, etiqueta])

X = []
y = []

for imagen, etiqueta in datos_entrenamiento:
    X.append(imagen)
    y.append(etiqueta)

# Normalizar las imagenes
import numpy as np

X = np.array(X).astype(float) / 255

y = np.array(y)

modelo = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation="relu", input_shape=(100, 100, 1)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3, 3), activation="relu"),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(128, (3, 3), activation="relu"),
    tf.keras.layers.MaxPooling2D(2, 2),

    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(100, activation="relu"),
    tf.keras.layers.Dense(1, activation="sigmoid")
])

modelo.compile(
    optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"]
)

modelo.fit(
    X, y, batch_size=32, validation_split=0.15, epochs=50
)

X_test = []
y_test = []

for imagen, etiqueta in datos_pruebas:
    X_test.append(imagen)
    y_test.append(etiqueta)

# Convertir a numpy arrays y normalizar
X_test = np.array(X_test).astype(float) / 255
y_test = np.array(y_test)

loss, accuracy = modelo.evaluate(X_test, y_test)
print(f"Loss: {loss}, Accuracy: {accuracy}")

import matplotlib.pyplot as plt

# Seleccionar un subconjunto de imágenes de prueba
num_samples = 5
sample_indices = np.random.choice(len(X_test), num_samples, replace=False)
sample_images = X_test[sample_indices]
sample_labels = y_test[sample_indices]

# Hacer predicciones
predictions = modelo.predict(sample_images)

# Visualizar resultados
for i in range(num_samples):
    plt.imshow(sample_images[i].reshape(100, 100), cmap="gray")
    plt.title(
        f"Real: {'Horse' if sample_labels[i] == 0 else 'Human'}, Predicción: {'Horse' if predictions[i] < 0.5 else 'Human'}")
    plt.axis("off")
    plt.show()

from tensorflow.keras.preprocessing import image
import cv2
import numpy as np


def cargar_y_preprocesar_imagen(ruta):
    # Cargar la imagen, redimensionar a 100x100, convertir a escala de grises y normalizar
    img = image.load_img(ruta, target_size=(100, 100), color_mode="grayscale")
    img_array = image.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0)  # Añadir una dimensión para el lote
    img_array = img_array / 255.0  # Normalizar al rango [0,1]
    return img_array

imagenes=["humano.jpg","caballo.jpg"]
for imagen in imagenes:
    # Ruta de la imagen que quieres probar
    ruta_imagen = "humano.jpg"
    imagen_propia = cargar_y_preprocesar_imagen(ruta_imagen)

    # Hacer la predicción en la imagen propia
    prediccion = modelo.predict(imagen_propia)
    plt.imshow(imagen_propia.reshape(100, 100), cmap="gray")
    plt.title(
        f"Real:  Predicción: {'Horse' if prediccion < 0.5 else 'Human'}")
    plt.axis("off")
    plt.show()

Imágenes