-
Notifications
You must be signed in to change notification settings - Fork 1
/
proje1 (revize).py
587 lines (432 loc) · 18.7 KB
/
proje1 (revize).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
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
# -*- coding: utf-8 -*-
"""proje1.ipynb
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1BIMyPiBayLhLUpuQ6wQHmQD3gC5vUJuh
Gerekli Drive bağlantılarının yapılması:
"""
import pandas as pd
import os
from google.colab import drive
drive.mount('/content/drive')
!ls
os.environ['KAGGLE_CONFIG_DIR']= "/content/drive/MyDrive/Colab_Notebooks/input"
# Commented out IPython magic to ensure Python compatibility.
# %cd "/content/drive/MyDrive/Colab_Notebooks/input"
!pwd
!kaggle datasets download -d deadskull7/fer2013
!ls
!unzip \*.zip && rm *.zip
!ls
#Set içeriğindeki ilk 5 eğitim içeriğini gördüm. Veri görselleştirilir.
data=pd.read_csv('/content/drive/MyDrive/Colab_Notebooks/input/fer2013.csv')
print("Number of Labels:", data.emotion.max() + 1)
pd.set_option('max_colwidth',100)
data.head(5)
"""Gerekli paket ve kütüphanelerin kurulumu:"""
# Commented out IPython magic to ensure Python compatibility.
import tensorflow as tf
from tensorflow import keras as ks
import numpy as np
import pandas as pd
import keras
from keras.models import Sequential, Model, model_from_json
from keras.layers import Conv2D, MaxPooling2D, AveragePooling2D,BatchNormalization
from keras.layers import Dense, Activation, Dropout, Flatten
from keras.utils import np_utils
from keras.preprocessing import image
from keras.preprocessing import image
from keras.preprocessing.image import ImageDataGenerator
from matplotlib import pyplot as plt
# %matplotlib inline
from keras.callbacks import ModelCheckpoint
model = ks.Sequential([
ks.layers.LSTM(units=1, input_shape=(5, 1))
])
"""**Eğitim ve test performansının ölçüldüğü veri sayılarını inceleyelim.**
Usage kolonunda verisetindeki örnekler kaç gruba ayrıldığını görebiliriz. Kaggleda genelde bu şekilde submit sonrası asıl test edilmesi için verisetinden bir kısmını "PrivateTest" olarak ayırırlar.
privateTest olanlar daha sonra test etmek içindir. Public olanlar ise en sondaki başarım oranını test etmek içindir.
"""
data["Usage"].value_counts()
np.unique(data["Usage"].values.ravel())
print('Eğitim verisetindeki örnek sayısı: %d'%(len(data[data.Usage == "Training"])))
#sadece eğitim örneklerini train_data değişkenine aldık
train_data = data[data.Usage == "Training"]
#eğitim örneklerinin piksel değerleri bize tablo halinde yan yana verildiği için boşluklardan parse ederek liste olarak değişkene aldık. Büyük bir matris oluştu ve her biri içinde pixeller mevcut.
train_pixels = train_data.pixels.str.split(" ").tolist()
print(len(train_pixels))
train_pixels = pd.DataFrame(train_pixels, dtype=int)
train_images = train_pixels.values
train_images = train_images.astype(np.float64)
print(train_images)
print(train_images.shape)
#Görüntüyü 48x48 piksel şeklinde göstermek için bir fonksiyon tanımlayalım, reshape ve gri seviye belirt.
def show(img, label="None"):
show_image = img.reshape(48,48)
plt.axis('off')
plt.title(label)
plt.imshow(show_image, cmap='gray')
#dict ve duygu_siniflari = ["Anger", "Disgust", "Fear", "Happy", "Neutral", "Sadness", "Surprise"]
labels = {
0: "Angry",
1: "Disgust",
2: "Fear",
3: "Happy",
4: "Neutral",
5: "Sad",
6: "Surprise"
}
# veriseti içindeki eğitim kümesinden indexli bir örnek görseli deneyelim
label_index = train_data.emotion
index = label_index[30]
label = labels[index]
show(train_images[30], label)
label_index = train_data.emotion
index = label_index[28705]
label = labels[index]
show(train_images[28705], label)
"""Eğitim kümesinde kaç sınıf bulunuyor, görelim."""
train_labels_flat = train_data["emotion"].values.ravel()
train_labels_count = np.unique(train_labels_flat).shape[0]
print('Farklı yüz ifadelerinin (duygu durumları) adedi: %d'%train_labels_count)
"""**One Hot ile eğitim kümesindeki verilerin her birine düşen sınıfı yani eğitim işlemi boyutunu görelim.**"""
def dense_to_one_hot(labels_dense, num_classes):
num_labels = labels_dense.shape[0]
index_offset = np.arange(num_labels) * num_classes
labels_one_hot = np.zeros((num_labels, num_classes))
labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
return labels_one_hot
x_train = dense_to_one_hot(train_labels_flat, train_labels_count)
x_train = x_train.astype(np.uint8)
print(x_train.shape)
"""**TEST VERİSİ ÖN İŞLEME ADIMI**
Eğitim işlemi için veri kümesinde ayrılmış olan PublicTest kısmını alırız.
"""
y_train = dense_to_one_hot(train_labels_flat, train_labels_count)
y_train = y_train.astype(np.uint8)
print(y_train.shape)
np.unique(data["Usage"].values.ravel())
print('Test verisetindeki örnek sayısı: %d'%(len(data[data.Usage == "PublicTest"])))
test_data = data[data.Usage == "PublicTest"]
test_pixels = test_data.pixels.str.split(" ").tolist()
test_pixels = pd.DataFrame(test_pixels, dtype=int)
test_images = test_pixels.values
test_images = test_images.astype(np.float64)
print(test_images.shape)
#Toplam 3589 görüntü ve her birinde 2304 pixel değeri ile ifade ediliyor.
#eğitim kümesinden bir örenk alıp, test edelim
test_label_index = test_data["emotion"].values
index = test_label_index[3588]
label = labels[index]
show(test_images[3588], label)
"""One Hot ile test kümesindeki verilerin her birine düşen sınıfı yani eğitim işlemi boyutunu görelim.
3589 görüntü ve yine 7 sınıf. test kümesi içinn
"""
test_labels_flat = test_data["emotion"].values.ravel()
test_labels_count = np.unique(test_labels_flat).shape[0]
y_test = dense_to_one_hot(test_labels_flat, test_labels_count)
y_test = y_test.astype(np.uint8)
print(y_test.shape)
"""**TEST KÜMESİNDEN toplu ÖRNEK GÖRÜNTÜLER **"""
plt.figure(0, figsize=(9,6))
for i in range(1,13):
plt.subplot(3,4,i)
plt.axis('off')
image = test_images[i].reshape(48,48)
plt.imshow(image, cmap="gray")
plt.tight_layout()
plt.show()
"""# **DERİN EVRİŞİMLİ SİNİR AĞI MODELİ TANIMLANMASI**"""
#sequential ile boş bir hacim tasarlanır.
model=Sequential()
#1. KATMAN 3 filtreden oluşuyor.
model.add(Conv2D(64, 3, data_format="channels_last", kernel_initializer="he_normal", input_shape=(48, 48, 1)))
model.add(BatchNormalization())
model.add(Activation("relu"))
#2. KATMAN
model.add(Conv2D(64, 3))
model.add(BatchNormalization())
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=2))
model.add(Dropout(0.2)) #%20 unutma işlemi(nöron silme-dropout)
#3. KATMAN
model.add(Conv2D(32, 3))
model.add(BatchNormalization())
model.add(Activation("relu"))
#4. KATMAN
model.add(Conv2D(32, 3))
model.add(BatchNormalization())
model.add(Activation("relu"))
#5. KATMAN
model.add(Conv2D(32, 3))
model.add(BatchNormalization())
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=2))
model.add(Dropout(0.2)) #%20 unutma işlemi(nöron silme-dropout)
#6. KATMAN
model.add(Conv2D(128, 3))
model.add(BatchNormalization())
model.add(Activation("relu"))
#7. KATMAN
model.add(Conv2D(256, 3))
model.add(BatchNormalization())
model.add(Activation("relu"))
# TAM BAĞLANTI KATMANI Flatten komutuyla matris vektör haline çevirilir. Dense ile de tam bağlantı sağlanır.
model.add(Flatten())
model.add(Dense(256))
model.add(BatchNormalization())
model.add(Activation("relu"))
model.add(Dropout(0.2))
#ÇIKIŞ KATMANI Dense, 7 sınıf sayısı kadar seçilir
model.add(Dense(7))
model.add(Activation('softmax')) #Sınıflama işlemi (7 duygu sınıfı var)
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) #opmizasyon ve başarım hesaplama metriklerinin belirlenmesi
model.summary() #model özetini görselleştirelim
"""Eğtim ve Test kümelerinin eleman sayısı, yükseklik ve genişlik, kanalsayısı bilgilerini ekrana yazdıralım."""
x_train = train_images.reshape(-1, 48, 48, 1)
x_test = test_images.reshape(-1, 48, 48, 1)
print("Train:", x_train.shape)
print("Test:", x_test.shape)
#eğitim train için 28709 tane 48x48 filtreli ve bir kanallı görüntümüz var
#Kümeler içine elean ve duygu sınıfalrı sayısı
print("Train:", y_train.shape)
print("Test:", y_test.shape)
"""**Eğitim işleminin gerçekleşmesini istediğimiz epoch, batchsize gibi değerlerin belirlenmesi ve eğitim sonucunda ağırlıkların .h5 dosyası olarak kaydedilmesi işlemleri**"""
# en başarılı ağırlıkları kaydet
checkpointer = ModelCheckpoint(filepath='/content/drive/MyDrive/Colab_Notebooks/input/ModelCheckpoint', verbose=1, save_best_only=True)
epochs = 20
batchSize = 256
# modeli çalıştır model.fit çalıştırılacak olan alan
hist = model.fit(x_train, y_train, #model eğitilir
epochs=epochs,
shuffle=True,
batch_size=batchSize,
validation_data=(x_test, y_test),
callbacks=[checkpointer], verbose=2)
# save model to json
model_json = model.to_json()
with open("/content/drive/MyDrive/Colab_Notebooks/input/ModelCheckpoint/saved_model.pb", "w") as json_file:
json_file.write(model_json)
import shutil
model.save("/content/drive/MyDrive/Colab_Notebooks/input/ModelCheckpoint/variables/face_model2.h5")
shutil.make_archive('myy_model', 'zip', '/content/drive/MyDrive/Colab_Notebooks/input/myy_model')
"""**Eğitim sonucu elde edilen Eğitim ve Geçerleme (Validation) sonuçlarının grafiksel olarak ifade edilip ekrarna yazdırılması işlemleri.**"""
# Plot training & validation accuracy values figure subplot plot fonksiyonları kullanılır.
plt.figure(figsize=(14,3))
plt.subplot(1, 2, 1)
plt.suptitle('Eğitim Başarısı', fontsize=10)
plt.ylabel('Loss', fontsize=16)
plt.plot(hist.history['loss'], color='b', label='Training Loss')
plt.plot(hist.history['val_loss'], color='r', label='Validation Loss')
plt.legend(loc='upper right')
plt.subplot(1, 2, 2)
plt.ylabel('Accuracy', fontsize=16)
plt.plot(hist.history['accuracy'], color='b', label='Training Accuracy')
plt.plot(hist.history['val_accuracy'], color='r', label='Validation Accuracy')
plt.legend(loc='lower right')
plt.show() #ekraan göster
#**PrivateTest** örnekleri ile test edelim.
test = data[["emotion", "pixels"]][data["Usage"] == "PrivateTest"]
test["pixels"] = test["pixels"].apply(lambda im: np.fromstring(im, sep=' '))
test.head()
x_test_private = np.vstack(test["pixels"].values)
y_test_private = np.array(test["emotion"])
x_test_private = x_test_private.reshape(-1, 48, 48, 1)
y_test_private = np_utils.to_categorical(y_test_private)
;
x_test_private.shape, y_test_private.shape
score = model.evaluate(x_test_private, y_test_private, verbose=0)
print("PrivateTest üzerinde doğruluk başarımı:", score)
"""Veri kümesindeki eğitim kısmı ile modeli eğitip test için ayırılan veri ile test işlemlerini yaptık. *
Şimdi de veriseti dışındaki Farklı görüntülerle test işlemlerini yapıp sonuçları görselleştirelim
"""
# Commented out IPython magic to ensure Python compatibility.
from keras.models import load_model
from PIL import Image
from keras.preprocessing import image
import numpy as np
import matplotlib.pyplot as plt
import h5py
import scipy
from scipy import ndimage
#from lr_utils import load_dataset
# %matplotlib inline
"""Gerekli kütüphanleri kurup, daha önceki eğitimde kaydettiğimiz modelin hesapladığını öğrenilmiş ağırlık dosyasını kullanıyoruz."""
data = pd.read_csv('/content/drive/MyDrive/Colab_Notebooks/input/ModelCheckpoint/data/fer2013.csv')
data.shape
# en iyi ağırlıkları yükle, önceki modelle beraber kullanımı sağlanırr
loaded = keras.models.load_model("/content/drive/MyDrive/Colab_Notebooks/input/ModelCheckpoint/variables/face_model2.h5")
test_image=x_test_private[15]
custom = model.predict(test_image.reshape(-1, 48, 48, 1))
#1 boyutlandır
objects = ('kızgın', 'nefret', 'korku', 'mutlu', 'üzgün', 'şaşırma', 'doğal')
y_pos = np.arange(len(objects))
plt.bar(y_pos, custom[0], align='center', alpha=0.5, color='g')
plt.xticks(y_pos, objects)
plt.ylabel('yüzde')
plt.title('duygu')
plt.show()
#2 array halne getir. Veritabanındaki görseller hep dizi (array) şeklindedir.
x = np.array([48, 48], 'float32')
#x = x.reshape([48, 48);
plt.axis('off')
plt.gray()
plt.imshow(test_image.reshape(48,48))
plt.show()
test_image=x_test[30]
custom = model.predict(test_image.reshape(-1, 48, 48, 1))
#1
objects = ('kızgın', 'nefret', 'korku', 'mutlu', 'üzgün', 'şaşırma', 'doğal')
y_pos = np.arange(len(objects))
plt.bar(y_pos, custom[0], align='center', alpha=0.5, color='g')
plt.xticks(y_pos, objects)
plt.ylabel('yüzde')
plt.title('duygu')
plt.show()
#2
x = np.array([48, 48], 'float32')
#x = x.reshape([48, 48);
plt.axis('off')
plt.gray()
plt.imshow(test_image.reshape(48,48))
plt.show()
# Kendi örneklerimizle test işlem adımları
import cv2
x_test_private = test_images[5].reshape(-1, 48, 48, 1)
!ls '/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images'
image_path = "/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/brando.png"
import keras.utils as image
from tensorflow.keras.utils import load_img
test_image_original = image.load_img(image_path) # orjinal renkli görüntü
test_image = image.load_img(image_path, target_size=(48, 48), grayscale=True)
test_data = image.img_to_array(test_image)
test_data = np.expand_dims(test_data, axis=0)
test_data = np.vstack([test_data])
results = model.predict(test_data, batch_size=1)
results
from google.colab.patches import cv2_imshow
# Commented out IPython magic to ensure Python compatibility.
from tensorflow.keras.preprocessing import image
test_image="/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/brando.png"
img = image.load_img(test_image, target_size=(48, 48))
img_array = image.img_to_array(img)
custom = model.predict(img_array.reshape(-1,48,48,1))
#1
objects = ('kızgın', 'nefret', 'korku', 'mutlu', 'üzgün', 'şaşırma', 'doğal')
y_pos = np.arange(len(objects))
plt.bar(y_pos, custom[0], align='center', alpha=0.5, color='g')
plt.xticks(y_pos, objects)
plt.ylabel('yüzde')
plt.title('duygu')
plt.show()
#2
x = np.array([48, 48], 'float32')
#x = x.reshape([48, 48]);
plt.axis('off')
plt.gray()
import matplotlib.image as mpimg
from matplotlib.pyplot import imshow
# %matplotlib inline
testim = mpimg.imread('/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/brando.png')
imshow(testim)
plt.show("/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/brando.png")
# Commented out IPython magic to ensure Python compatibility.
test_image="/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/kemal_sunal2.jpg"
img = image.load_img(test_image, target_size=(48, 48))
img_array = image.img_to_array(img)
custom = model.predict(img_array.reshape(-1,48,48,1))
#1
objects = ('kızgın', 'nefret', 'korku', 'mutlu', 'üzgün', 'şaşırma', 'doğal')
y_pos = np.arange(len(objects))
plt.bar(y_pos, custom[0], align='center', alpha=0.5, color='g')
plt.xticks(y_pos, objects)
plt.ylabel('yüzde')
plt.title('duygu')
plt.show()
#2
x = np.array([48, 48], 'float32')
#x = x.reshape([48, 48]);
plt.axis('off')
plt.gray()
import matplotlib.image as mpimg
from matplotlib.pyplot import imshow
# %matplotlib inline
testim = mpimg.imread('/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/kemal_sunal2.jpg')
imshow(testim)
plt.show("/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/kemal_sunal2.jpg")
# Commented out IPython magic to ensure Python compatibility.
test_image="/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/javierbardem.jpg"
img = image.load_img(test_image, target_size=(48, 48))
img_array = image.img_to_array(img)
custom = model.predict(img_array.reshape(-1,48,48,1))
#1
objects = ('kızgın', 'nefret', 'korku', 'mutlu', 'üzgün', 'şaşırma', 'doğal')
y_pos = np.arange(len(objects))
plt.bar(y_pos, custom[0], align='center', alpha=0.5, color='g')
plt.xticks(y_pos, objects)
plt.ylabel('yüzde')
plt.title('duygu')
plt.show()
#2
x = np.array([48, 48], 'float32')
#x = x.reshape([48, 48]);
plt.axis('off')
plt.gray()
import matplotlib.image as mpimg
from matplotlib.pyplot import imshow
# %matplotlib inline
testim = mpimg.imread('/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/javierbardem.jpg')
imshow(testim)
plt.show("/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/javierbardem.jpg")
# Commented out IPython magic to ensure Python compatibility.
test_image="/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/hababam.jpg"
img = image.load_img(test_image, target_size=(48, 48))
img_array = image.img_to_array(img)
custom = model.predict(img_array.reshape(-1,48,48,1))
#1
objects = ('kızgın', 'nefret', 'korku', 'mutlu', 'üzgün', 'şaşırma', 'doğal')
y_pos = np.arange(len(objects))
plt.bar(y_pos, custom[0], align='center', alpha=0.5, color='g')
plt.xticks(y_pos, objects)
plt.ylabel('yüzde')
plt.title('duygu')
plt.show()
#2
x = np.array([48, 48], 'float32')
#x = x.reshape([48, 48]);
plt.axis('off')
plt.gray()
import matplotlib.image as mpimg
from matplotlib.pyplot import imshow
# %matplotlib inline
testim = mpimg.imread('/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/hababam.jpg')
imshow(testim)
plt.show("/content/drive/MyDrive/Udemy_DerinOgrenmeyeGiris/Evrisimli_Sinir_Aglari/Duygu_Tanima/images/hababam.jpg")
import zipfile
with zipfile.ZipFile("myy_model.zip","r") as zip_ref:
zip_ref.extractall("/content/drive/MyDrive/Colab_Notebooks/input/myy_model")
"""**SONUÇLARIN GÖRSELLEŞTİRİLMESİ ADIMLARI**"""
#sınıflarımız 7 adet duygu durumumuz
class_names = ['kizgin', 'igrenme', 'korku', 'mutlu', 'uzgun', 'sasirma', 'dogal']
ind = 0.1+0.6*np.arange(len(class_names))
width = 0.4 #bar genişliği
color_list = ['red','orangered','darkorange','limegreen','darkgreen','royalblue','navy']
# test resmimizi çizdirelim
plt.imshow(test_image_original)
plt.title('Giriş Resmi', fontsize=16)
plt.axis('off')
plt.show()
#sonuçlarımızı renklendirelim
for i in range(len(class_names)):
plt.bar(ind[i], results[0][i], width, color=color_list[i])
plt.title("Sınıflandırma Sonuçları", fontsize=20)
plt.xlabel("Yüz İfadeleri Kategorisi",fontsize=16)
plt.ylabel("Sınıflandırma Skoru",fontsize=16)
plt.xticks(ind, class_names, rotation=45, fontsize=14)
plt.show()
print("Sınıflandırma sonucu en yüksek oranla:", class_names[np.argmax(results)])
# en yüksek skorlu duyguya karşılık emoji çizdirelim
emojis_img = image.load_img(root + 'images/emojis/%s.png'% str(class_names[np.argmax(results)]))
plt.imshow(emojis_img)
plt.axis('off')
plt.show()