-
Notifications
You must be signed in to change notification settings - Fork 0
/
AI.py
145 lines (123 loc) · 4.99 KB
/
AI.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
import tkinter as tk
from tkinter import filedialog
import tensorflow as tf
import os
from tensorflow import keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from keras.preprocessing import image
from PIL import Image
import numpy as np
import keras
def on_closing():
exit()
model.save(os.path.join(model_dir, 'chat_vs_chien_model.h5'))
#if __name__ == '__main__':#
# strup = tk.Tk()
# strup.title("Entrainement de l'IA...")
# strup.geometry("720x100")
# label = tk.Label(strup, text="Entrainement de l'IA à chaque lancement... NE PAS FERMER L'APPLICATION !!! (Temps moyen: 2-3 minutes)")
# label.pack()
#
# classify_button = tk.Button(text="Lancement", command=strup.quit)
# classify_button.pack()
#
# strup.protocol("WM_DELETE_WINDOW", strup.quit)
# strup.mainloop()
## Paramétrage de l'apprentissage
#batch_size = 32
#num_classes = 2
#epochs = 1
# Répertoire contenant le modèle
model_dir = "C:/Users/cleme/OneDrive - student.helmo.be/AI"
model_path = os.path.join(model_dir, "chat_vs_chien_model.h5")
# Préparation des données d'entraînement
#train_datagen = ImageDataGenerator(rescale=1./255)
#val_datagen = ImageDataGenerator(rescale=1./255)
#train_generator = train_datagen.flow_from_directory(
# directory=r"YOUR_PATH\train",
# target_size=(224,224),
# batch_size=batch_size,
# class_mode="categorical")
#val_generator = val_datagen.flow_from_directory(
# directory=r"YOUR_PATH",
# target_size=(224,224),
# batch_size=batch_size,
# class_mode="categorical")
#def train_model():
# Entraînement du modèle
# model.fit(
# train_generator, # générateur d'images pour l'entraînement
# steps_per_epoch=len(train_generator), # nombre d'itérations par époque (un époque = une passe complète sur l'ensemble de données)
# epochs=epochs, # nombre d'époques configurable ci-dessus...
# validation_data=val_generator, # générateur d'images pour la validation
# validation_steps=len(val_generator)) # nombre d'itérations pour la validation
# status = "Coeur créé, vous pouvez clore la fenêtre et relancer le programme afin de mettre à jour les informations."
# print(status)
# pass
# Vérification de la présence d'un modèle existant
if os.path.exists(model_path):
status = "Le coeur de l'IA a été trouvé, inititalisation du programme... Programe chargé !"
print(status)
model = keras.models.load_model(model_path)
else:
# Définition du modèle
#status = "Le coeur de l'IA n'a pas été trouvé, création d'un nouveau coeur... NE PAS FERMER LA PAGE !!! (Temps moyen: 2-3 minutes)"
status = "Le coeur de l'IA n'a pas été trouvé, merci de contacter l'auteur du code si vous souhaitez créer votre propre modèle entrainé"
print(status)
#model = Sequential([
# Conv2D(32, (3,3), padding='same', activation='relu', input_shape=(224,224,3)),
# MaxPooling2D(pool_size=(2,2)),
# Conv2D(64, (3,3), padding='same', activation='relu'),
# MaxPooling2D(pool_size=(2,2)),
# Flatten(),
# Dense(128, activation='relu'),
# Dropout(0.5),
# Dense(num_classes, activation='softmax')
#])
## Compilation du modèle
#model.compile(optimizer=keras.optimizers.Adam(), loss=keras.losses.categorical_crossentropy, metrics=['accuracy'])
#train_model()
#model.save(os.path.join(model_dir, 'chat_vs_chien_model.h5'))
# Préparation des données de test
#test_datagen = ImageDataGenerator(rescale=1./255)
#test_generator = test_datagen.flow_from_directory(
# directory=r"YOUR_PATH\test",
# target_size=(224,224),
# batch_size=batch_size,
# class_mode="binary")
def test_model(image_path):
model = keras.models.load_model(model_path)
test_image = Image.open(image_path)
test_image = test_image.resize((224, 224))
test_image = np.expand_dims(test_image, axis=0)
result = model.predict(test_image)
if result[0][0] == 1:
prediction = 'C\'est un chat'
else:
prediction = 'C\'est un chien'
return prediction
def select_image():
root = tk.Tk()
root.withdraw()
file_path = filedialog.askopenfilename()
return file_path
def classify_image():
image_path = select_image()
prediction = test_model(image_path)
print(prediction)
label = tk.Label(app, text=prediction)
label.pack()
if __name__ == '__main__':
app = tk.Tk()
app.title("Classification d'images")
app.geometry("720x480")
nope_button = tk.Button(app, text="Classifier une image", command=classify_image)
nope_button.pack()
#train_model()
label = tk.Label(app, text=status)
label.pack()
app.mainloop()
app.protocol("WM_DELETE_WINDOW", command=on_closing())