পাইথন - Keras দিয়ে ইমেজ ক্লাসিফিকেশন (CNN)

ইমেজ ক্লাসিফিকেশন (Image Classification) হলো ছবিগুলোকে ক্যাটেগরিতে ভাগ করার টাস্ক। Keras (TensorFlow হাই-লেভেল API) দিয়ে কনভোলিউশন্যাল নিউরাল নেটওয়ার্ক (CNN) বানানো এবং ট্রেন করার সম্পূর্ণ উদাহরণ নিচে দেওয়া হলো।

প্রয়োজনীয় লাইব্রেরি

pip install tensorflow keras numpy matplotlib

সম্পূর্ণ উদাহরণ: বাইনারি ক্লাসিফিকেশন (Scratch থেকে CNN)

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Activation, Dropout, Flatten, Dense
from keras import backend as K

# ১. হাইপারপ্যারামিটারস
img_width, img_height = 224, 224
train_data_dir = 'v_data/train'
validation_data_dir = 'v_data/test'
nb_train_samples = 400
nb_validation_samples = 100
epochs = 10
batch_size = 16

# ২. ইনপুট শেপ (চ্যানেল ফার্স্ট vs লাস্ট)
if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

# ৩. মডেল আর্কিটেকচার (Sequential CNN)
model = Sequential()

# Conv Block 1
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# Conv Block 2
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# Conv Block 3
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# Fully Connected Layers
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))  # ওভারফিটিং প্রতিরোধ
model.add(Dense(1))
model.add(Activation('sigmoid'))  # বাইনারি আউটপুট

# ৪. কম্পাইল
model.compile(
    loss='binary_crossentropy',
    optimizer='rmsprop',
    metrics=['accuracy']
)

# ৫. ডেটা অগমেন্টেশন (ট্রেনিং ডেটা বড়াতে)
train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary'
)

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary'
)

# ৬. ট্রেনিং
history = model.fit(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size
)

# ৭. মডেল সেভ
model.save_weights('ImgmodelKeras_saved.h5')
# বা পূর্ণ মডেল সেভ
model.save('complete_model.h5')

print("ট্রেনিং সম্পন্ন! মডেল সেভ করা হয়েছে।")

ডেটা ডিরেক্টরি স্ট্রাকচার

v_data/
├── train/
│   ├── class_a/
│   │   ├── img1.jpg
│   │   └── img2.jpg
│   └── class_b/
│       ├── img3.jpg
│       └── img4.jpg
└── test/
    ├── class_a/
    └── class_b/

মডেল আর্কিটেকচার ব্যাখ্যা

ট্রান্সফার লার্নিং (VGG16, ResNet50) - উন্নত পদ্ধতি

from keras.applications import VGG16
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D

# প্রি-ট্রেন্ড VGG16 লোড (ImageNet ওয়েইটস)
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# বেস মডেল ফ্রিজ করুন (ট্রেন হবে না)
for layer in base_model.layers:
    layer.trainable = False

# কাস্টম হেড যোগ করুন
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(1, activation='sigmoid')(x)

model = Model(inputs=base_model.input, outputs=predictions)
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

# শুধু কাস্টম হেড ট্রেন করুন (দ্রুত এবং কম ডেটায় ভালো)