app.py

# -*- coding: utf-8 -*-
"""Copia de Training_fruit_vegetable.ipynb

Automatically generated by Colaboratory.

Original file is located at
    https://colab.research.google.com/drive/1h-zNQjkVokq9MDVJb61PPvYb4f1eJcF6

Montaje del disco
"""

"""Importar librerías"""

import tensorflow as tf
import matplotlib.pyplot as plt

"""Preprocesamiento de datos"""

#Preprocesamiento de imagenes del conjunto de entrenamiento
training_set = tf.keras.utils.image_dataset_from_directory(
    '/content/drive/MyDrive/TallerIII/FruitTrainingDataset/train',
    labels="inferred",
    label_mode="categorical",
    class_names=None,
    color_mode="rgb",
    batch_size=32,
    image_size=(64, 64),
    shuffle=True,
    seed=None,
    validation_split=None,
    subset=None,
    interpolation="bilinear",
    follow_links=False,
    crop_to_aspect_ratio=False
)

#Preprocesamiento de imagenes del conjunto de validacion
validation_set = tf.keras.utils.image_dataset_from_directory(
    '/content/drive/MyDrive/TallerIII/FruitTrainingDataset/validation',
    labels="inferred",
    label_mode="categorical",
    class_names=None,
    color_mode="rgb",
    batch_size=32,
    image_size=(64, 64),
    shuffle=True,
    seed=None,
    validation_split=None,
    subset=None,
    interpolation="bilinear",
    follow_links=False,
    crop_to_aspect_ratio=False
)

"""Crear el modelo"""

model = tf.keras.models.Sequential()

"""Capa de convolución"""

model.add(tf.keras.layers.Conv2D(filters=32,kernel_size=3,padding='same',activation='relu',input_shape=[64,64,3]))
model.add(tf.keras.layers.Conv2D(filters=32,kernel_size=3,activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=2,strides=2))


model.add(tf.keras.layers.Dropout(0.25))


model.add(tf.keras.layers.Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(tf.keras.layers.Conv2D(filters=64,kernel_size=3,activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=2,strides=2))


model.add(tf.keras.layers.Dropout(0.25))


model.add(tf.keras.layers.Flatten())


model.add(tf.keras.layers.Dense(units=512,activation='relu'))


model.add(tf.keras.layers.Dense(units=256,activation='relu'))


model.add(tf.keras.layers.Dropout(0.5)) #To avoid overfitting


#Output Layer
model.add(tf.keras.layers.Dense(units=36,activation='softmax'))

"""Capas del modelo"""

model.summary()

"""Compilación del modelo"""

model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy',"mean_absolute_error","Precision","Recall",tf.keras.metrics.AUC()])

"""Configuración tensorboard"""

# Commented out IPython magic to ensure Python compatibility.
from tensorflow.keras.callbacks import ModelCheckpoint
import tensorflow as tf
import datetime

# %load_ext tensorboard
#!rm -rf ./logs/
log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)

"""Ruta"""

ruta_rfv="/content/drive/MyDrive/TallerIII/Reconocimiento_frutas_verduras"

"""Punto de control del modelo y devolución de llamada"""

checkpoint_callback = ModelCheckpoint(
    filepath=ruta_rfv + '/peso2/weights.{epoch:1d}.h5',
    save_weights_only=True,
    save_best_only=False,
    verbose=1
)

"""Entrenamiento del modelo"""

epochs = 10
history=model.fit(x=training_set,validation_data=validation_set,epochs=epochs, callbacks=[tensorboard_callback, checkpoint_callback])

import os
import re

#Codigo para extraer el numero maximo de epoca almacenado en un directorio
# Ruta del directorio
dir_path = "/content/drive/MyDrive/Taller3/Reconocimiento_frutas_verduras/peso2"

# Lista para almacenar los números extraídos
num_list = []

# Recorrer todos los archivos en el directorio
for filename in os.listdir(dir_path):
    # Comprobar si el archivo es uno de los archivos de pesos
    if filename.startswith("weights.") and filename.endswith(".h5"):
        # Extraer el número del nombre del archivo usando una expresión regular
        match = re.search(r'\d+', filename)
        if match:
            # Convertir el número a un entero y añadirlo a la lista
            num = int(match.group())
            num_list.append(num)

# Imprimir la lista de números
print(num_list)

# Variable para almacenar el número máximo
max_num = max(num_list) if num_list else None

# Imprimir el número máximo
print(max_num)

max_num_string = str(max_num)
print(max_num_string)

#Definir directorio que contiene el archivo de pesos de la ultima epoca
ruta = ruta_rfv + '/peso2/weights.' + max_num_string +'.h5'
print(ruta)

#Cargar el archivo de pesos de la ultima epoca ejecutada
model.load_weights(ruta)

#Entrenar el modelo desde la ultima epoca almacenada usando el parametro initial_epoch
history = model.fit(x=training_set,validation_data=validation_set, epochs=epochs, initial_epoch=max_num, callbacks=[tensorboard_callback, checkpoint_callback])

"""Curvas de entrenamiento"""

# Commented out IPython magic to ensure Python compatibility.
# %tensorboard --logdir logs/fit

"""Evaluar el modelo entrenado"""

#Precisión del conjunto de entrenamiento
train_loss, train_acc = model.evaluate(training_set)
print('Training accuracy:', train_acc)

#Precisión del conjunto de validación
val_loss, val_acc = model.evaluate(validation_set)
print('Validation accuracy:', val_acc)

"""Guardar el modelo"""

ruta_modelo=ruta_rfv + "/modelo/modeloRFV.h5"
model.save(ruta_modelo)

"""Guardar pesos"""

ruta_pesos=ruta_rfv + "/modelo/pesosRFV.h5"
model.save_weights(ruta_pesos)