Flowers Dataset - using image_dataset_from_directory

#flowers dataset with some data augmentation

#not so good model with accuracy (both training and validation ) in the range of 

#appox 0.5

# rm -r "/content/flowers"

import tensorflow as tf 

import tensorflow.keras

import os 

import pathlib 

import numpy as np 

import matplotlib.pyplot as plt 

if ( os.path.exists("/content/flowers") == False) : 

  os.mkdir("/content/flowers")

url  = "https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz"

flfile = tf.keras.utils.get_file("/content/flowers/flower_photos.tgz" , origin = url, extract  = True)

#NOTE: The tensorflow tutorial currently available at https://www.tensorflow.org/tutorials/images/classification

#(as in 11-May-2021) uses the last parameter as untar = True instead of extract = True above. 

#but untar is deprecated and the documentation recommends to use extract instead of untar.

#further using untat=True causes errorneous behavior also , firstly it doesnt extract the file, secondly

#it saves the ".tgz" file by an extension ".tar.gz" to the file name 

# thus making it "flower_photos.tgz.tar.gz".

print(flfile)

flfile = pathlib.Path(flfile)

print(flfile)

#the following is not required if extract=True is used in get_file

import tarfile 

tfile = tarfile.open(flfile)

tfile.extractall("/content/flowers")

tfile.close()

batch_size = 32 

epochs = 5

train_ds  = tf.keras.preprocessing.image_dataset_from_directory(

    "/content/flowers/flower_photos",

    image_size = ( 180, 180),

    batch_size = batch_size, 

    subset = "training",

    seed = 123,

    validation_split = 0.2

)

test_ds  = tf.keras.preprocessing.image_dataset_from_directory(

    "/content/flowers/flower_photos",

    image_size = ( 180, 180),

    batch_size = batch_size, 

    subset = "validation",

    seed = 123,

    validation_split = 0.2

)

data_aug = tf.keras.models.Sequential([

  tf.keras.layers.experimental.preprocessing.RandomFlip("horizontal" , input_shape = (180,180,3)),

  tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),

  tf.keras.layers.experimental.preprocessing.RandomZoom(0.2)

])

model = tf.keras.models.Sequential([

    data_aug, 

    tf.keras.layers.Conv2D(16, 3, activation = "relu"),

    #tf.keras.layers.Conv2D(16, 3, activation = "relu" , input_shape = (180,180,3)), 

    tf.keras.layers.MaxPooling2D(),

    tf.keras.layers.Conv2D(32, 3, activation = "relu"), 

    tf.keras.layers.MaxPooling2D(),

    tf.keras.layers.Conv2D(64, 3, activation = "relu"), 

    tf.keras.layers.MaxPooling2D(),        

    tf.keras.layers.Dropout(0.2),

    tf.keras.layers.Flatten(), 

    tf.keras.layers.Dense(512, activation = "relu"),

    tf.keras.layers.Dense(5, activation = "softmax")

])

model.compile(

    optimizer = tf.keras.optimizers.Adam(),

    loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = True), 

    metrics = ["accuracy"]

)

history = model.fit(

    train_ds, 

    validation_data = test_ds, epochs = epochs

)

#Plot the loss and accuracy

plt.figure(figsize = (8,8))

plt.subplot(1,2,1)

plt.plot(range(epochs) , history.history["accuracy"] , "r" , label = "Training Accuracy")

plt.plot(range(epochs) , history.history["val_accuracy"] , "b" , label = "Validation Accuracy")

plt.legend(loc = "upper left")

plt.title("Accuracy")

plt.subplot(1,2,2)

plt.plot(range(epochs) , history.history["loss"] , "r" , label = "Training Loss")

plt.plot(range(epochs) , history.history["val_loss"] , "b" , label = "Validation Loss")

plt.legend(loc = "upper right")

plt.title("Loss")

plt.show()

#Plot the loss and accuracy

#NOTE : Images CANNOT be read like img = test_ds.take(1)[0][0]

#you must use a loop with test_ds.take(x) for that

#prediction on images using the dataset

correct = 0 

incorrect = 0 

i = 0 

images= test_ds.take(1)

plt.figure(figsize=(10,10))

for images, labels in test_ds.take(1):

  print(images.shape)

  for i in range(25):

    ax = plt.subplot(5, 5, i + 1)

    plt.imshow(images[i].numpy().astype("uint8"))

    plt.xticks([])

    plt.yticks([])

    img_arr = tf.keras.preprocessing.image.img_to_array(images[i].numpy().astype("uint8"))

    img_arr = tf.expand_dims(img_arr,0)

    predictions = model.predict(img_arr)

    

    plt.xlabel("P={};A={}".format(np.argmax(predictions[0]) ,labels[i]))

    if (np.argmax(predictions[0]) == labels[i] ) : 

      correct += 1 

    else : 

      incorrect += 1 

    #plt.axis("off")

print ( "correct = {} ; incorrect = {}".format(correct, incorrect))    

#prediction on images using the dataset

#prediction on images by directly reading images from storage

correct = 0 

incorrect = 0 

i = 0 

tulips = os.listdir("/content/flowers/flower_photos/tulips")

tulips_label = 4  #this you wil have to infer from somewhere because labels are not available to you 

                  #when you are directly reading from disk. Mostly the labels are in the order of 

                  #subdirectories, starting with 0. But to confirm, you can plot a few figures using dataset

                  #and infer the label 

plt.figure(figsize=(10,10))

for i in range(25) : 

  img_path = "/content/flowers/flower_photos/tulips/" + tulips[i]

  img = tf.keras.preprocessing.image.load_img(img_path, target_size=(180,180))

  plt.subplot(5,5,i + 1)

  plt.xticks([])

  plt.yticks([])

  plt.imshow(img)

  img_arr = tf.keras.preprocessing.image.img_to_array(img)

  img_arr = tf.expand_dims(img_arr, 0)

  predictions = model.predict(img_arr)

  plt.xlabel("P={};A={}".format(np.argmax(predictions[0]) ,tulips_label))

  if (np.argmax(predictions[0]) == tulips_label) : 

    correct += 1 

  else : 

    incorrect += 1   

print ( "correct = {} ; incorrect = {}".format(correct, incorrect))      

#prediction on images by directly reading images from storage