Delete copia_de_training_fruit_vegetable.py

copia_de_training_fruit_vegetable.py

@@ -1,199 +0,0 @@
-# -*- 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
-"""
-
-from google.colab import drive
-drive.mount('/content/drive')
-
-"""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)