Transferencia de aprendizaje

import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.applications import VGG16
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.optimizers import Adam

# 1. Cargar el modelo preentrenado VGG16 sin la capa final
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# 2. Congelar las capas base para que no se entrenen
base_model.trainable = False

# 3. Crear el modelo con la capa base preentrenada y las capas personalizadas
model = models.Sequential([
    base_model,  # Usar la red preentrenada VGG16 sin la capa final
    layers.Flatten(),  # Aplanar la salida de las capas convolucionales
    layers.Dense(512, activation='relu'),  # Capa densa completamente conectada
    layers.Dropout(0.5),  # Regularización para evitar sobreajuste
    layers.Dense(2, activation='softmax')  # Capa de salida con 2 clases (puedes cambiar el número de clases)
])

# 4. Compilar el modelo
model.compile(optimizer=Adam(learning_rate=0.0001),
              loss='sparse_categorical_crossentropy',  # Para clasificación de 2 clases (modificar según el caso)
              metrics=['accuracy'])

# 5. Preprocesar las imágenes (puedes usar tus propias imágenes y directorios)
train_datagen = ImageDataGenerator(
    rescale=1./255,  # Normalizar imágenes
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)

validation_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    'dataset',
    target_size=(224, 224),
    batch_size=32,
    class_mode='sparse'  # Cambiar según el tipo de etiqueta (sparse o categorical)
)

# 6. Entrenar el modelo
history = model.fit(
    train_generator,
    steps_per_epoch=train_generator.samples // train_generator.batch_size,
    epochs=10,  # Puedes ajustar el número de épocas
)
import matplotlib.pyplot as plt
# Evaluar el modelo
plt.plot(history.history['accuracy'])
plt.title('Precisión del modelo')
plt.xlabel('Épocas')
plt.ylabel('Precisión')
plt.show()

# Guardar el modelo entrenado
model.save('modelo_gato_perro_t.h5')

Comprobar:

from tensorflow.keras.preprocessing import image
import numpy as np
from tensorflow.keras.models import load_model
error=0
model = load_model('modelo_gato_perro_t.h5')
for i  in range(100):
    # Cargar la imagen
    img_path = f'dataset/Dog/{i*10}.jpg'  # Cambia la ruta de la imagen
    img = image.load_img(img_path, target_size=(224, 224))  # Redimensionar a 64x64
    img_array = image.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0)  # Hacer batch

    # Normalizar la imagen
    img_array /= 255.

    # Realizar la predicción
    prediction = model.predict(img_array)
    # print(prediction)
    # Mostrar el resultado
    if prediction[0][1] > 0.5:
        print("Es un perro.")
    else:
        print(f"Es un gato {i}.")
        error=error+1
print(error)

https://trifulcas.com/wp-content/uploads/2024/11/modelo_gato_perro_t.h5

https://trifulcas.com/wp-content/uploads/2024/11/perros.rar