/
ensemble.py
151 lines (135 loc) · 6.62 KB
/
ensemble.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
146
147
148
149
150
151
import efficientnet.tfkeras as efn
from tensorflow.keras.models import Sequential,Model,load_model
from tensorflow.keras.metrics import Recall
from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPooling2D, Dropout, GlobalAveragePooling2D, BatchNormalization
from sklearn.ensemble import VotingClassifier
from dataAugmentation import dividirEBalancearPorClasse, ler_BalanceamentoDividido
import numpy as np
from tensorflow.keras.applications import MobileNetV2, MobileNet, NASNetMobile, DenseNet121, DenseNet201, Xception, InceptionV3
from tensorflow.keras.utils import to_categorical
from sklearn.metrics import confusion_matrix, multilabel_confusion_matrix
from skmultilearn.ensemble import voting
from tensorflow import math
import seaborn as sn
import pandas as pd
import matplotlib.pyplot as plt
def construirClassificador(num_classes, num_classificador):
# 1 - EfficientNetB0
# 2 - EfficientNetB1
# 3 - EfficientNetB2
# 4 - EfficientNetB3
# 5 - EfficientNetB4
# 6 - EfficientNetB5
# 7 - EfficientNetB6
# 8 - MobileNet
# 9 - Xception
# 10 - InceptionV3
if (num_classificador == 1):
base_model = efn.EfficientNetB0(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 2):
base_model = efn.EfficientNetB1(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 3):
base_model = efn.EfficientNetB2(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 4):
base_model = efn.EfficientNetB3(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 5):
base_model = efn.EfficientNetB4(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 6):
base_model = efn.EfficientNetB5(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 7):
base_model = efn.EfficientNetB6(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 8):
base_model = MobileNet(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 9):
base_model = Xception(include_top=False, input_shape=(90,90,3), classes= num_classes)
elif(num_classificador == 10):
base_model = InceptionV3(include_top=False, input_shape=(90,90,3), classes= num_classes)
x = base_model.output
x = Flatten()(x)
x = Dropout(0.5)(x)
predictions = Dense(num_classes, activation='softmax')(x)
classificador = Model(inputs = base_model.input, outputs = predictions)
classificador.compile(optimizer='adam', loss='categorical_crossentropy', metrics=[Recall(name='recall')])
return classificador
def imprimirResultado(mcm):
tn = np.mean(mcm[:,0,0])
tp = np.mean(mcm[:,1,1])
fn = np.mean(mcm[:,0,1])
fp = np.mean(mcm[:,1,0])
prec = round(tp/(tp + fp), 2)
rec = round(tp/(tp + fn), 2)
f1 = round((2 * prec * rec) / (prec + rec), 2)
acuracia = round((tp + tn) / (tp + tn + fp + fn), 2)
especificidade = round(tn/ (tn + fp), 2)
print("Precisao:", prec)
print("Revocação:", rec)
print("F1:", f1)
print("Acurácia:", acuracia)
print("Especificidade", especificidade)
num_classes = 6
X_treinamento, y_treinamento, X_validacao, y_validacao, X_teste, y_teste = ler_BalanceamentoDividido(num_classes)
X_treinamento = np.array(X_treinamento, dtype=np.int32)
X_validacao = np.array(X_validacao, dtype=np.int32)
X_teste = np.array(X_teste, dtype=np.int32)
y_treinamento = to_categorical(y_treinamento, num_classes, dtype=np.int32)
y_validacao = to_categorical(y_validacao, num_classes, dtype=np.int32)
y_teste = to_categorical(y_teste, num_classes, dtype=np.int32)
pasta = '../Modelos ' + str(num_classes) + ' classes/'
# 1 - EfficientNetB0
# 2 - EfficientNetB1
# 3 - EfficientNetB2
# 4 - EfficientNetB3
# 5 - EfficientNetB4
# 6 - EfficientNetB5
# 7 - EfficientNetB6
# 8 - MobileNet
# 9 - Xception
# 10 - InceptionV3
# Carrega os melhores modelos e pesos encontrados anteriormente para cada classe
if(num_classes == 2):
primeiro_ef = construirClassificador(num_classes, 4)
primeiro_ef.load_weights((pasta + 'best_model_ef3_2classes.hdf5'))
y_pred_primeiro_ef = primeiro_ef.predict(X_teste)
segundo_ef = construirClassificador(num_classes, 5)
segundo_ef.load_weights((pasta + 'best_model_ef4_2classes.hdf5'))
y_pred_segundo_ef = segundo_ef.predict(X_teste)
terceiro_ef = construirClassificador(num_classes, 7)
terceiro_ef.load_weights((pasta + 'best_model_ef6_2classes.hdf5'))
y_pred_terceiro_ef = terceiro_ef.predict(X_teste)
if(num_classes == 3):
primeiro_ef = construirClassificador(num_classes, 3)
primeiro_ef.load_weights((pasta + 'best_model_ef2_3classes.hdf5'))
y_pred_primeiro_ef = primeiro_ef.predict(X_teste)
segundo_ef = construirClassificador(num_classes, 5)
segundo_ef.load_weights((pasta + 'best_model_ef4_3classes.hdf5'))
y_pred_segundo_ef = segundo_ef.predict(X_teste)
terceiro_ef = construirClassificador(num_classes, 6)
terceiro_ef.load_weights((pasta + 'best_model_ef5_3classes.hdf5'))
y_pred_terceiro_ef = terceiro_ef.predict(X_teste)
if(num_classes == 6):
primeiro_ef = construirClassificador(num_classes, 4)
primeiro_ef.load_weights((pasta + 'best_model_ef3_6classes.hdf5'))
y_pred_primeiro_ef = primeiro_ef.predict(X_teste)
segundo_ef = construirClassificador(num_classes, 5)
segundo_ef.load_weights((pasta + 'best_model_ef4_6classes.hdf5'))
y_pred_segundo_ef = segundo_ef.predict(X_teste)
terceiro_ef = construirClassificador(num_classes, 6)
terceiro_ef.load_weights((pasta + 'best_model_ef5_6classes.hdf5'))
y_pred_terceiro_ef = terceiro_ef.predict(X_teste)
print("\n\n ----- Resultado Ensemble -----")
y_pred_ensemble = []
y_pred_primeiro_ef = np.argmax(y_pred_primeiro_ef, axis=1)
y_pred_segundo_ef = np.argmax(y_pred_segundo_ef, axis=1)
y_pred_terceiro_ef = np.argmax(y_pred_terceiro_ef, axis=1)
for x in range(0, len(y_teste)):
votos = np.zeros(num_classes)
votos[y_pred_primeiro_ef[x]] = votos[y_pred_primeiro_ef[x]]+1
votos[y_pred_segundo_ef[x]] = votos[y_pred_segundo_ef[x]]+1
votos[y_pred_terceiro_ef[x]] = votos[y_pred_terceiro_ef[x]]+1
if(len(np.where(votos == max(votos))[0]) == 1):
# Por testes anteriores, o efficientnetB4 e o melhor independente do numero de classes
y_pred_ensemble.append(np.where(votos == max(votos))[0][0])
else:
y_pred_ensemble.append(y_pred_segundo_ef[x])
mcm = multilabel_confusion_matrix(np.argmax(y_teste, axis=1), np.array(y_pred_ensemble))
imprimirResultado(mcm)