Python Tensorflow Keras中的水印二值分类器

我的目标是创建一个模型，该模型可以根据是否存在一个特定的水印对图片进行分类。如果我想检查一个不同的水印，理想的情况是用新的水印创建另一个数据集，然后重新训练模型。据我所知，这是一个二进制分类器

这是正确的方法吗

我一直用我的模型来识别图片上是否有水印。我的指标不会从。例如：

loss: 0.6931 - accuracy: 0.5000 - val_loss: 0.6931 - val_accuracy: 0.5000

我准备了一个数据文件夹结构，如：

训练

• 水印
• 无水印

验证

• 水印
• 无水印

我使用了一个数据集，每个类别有1000张图像。下面是一个带有我自己水印的数据集示例：

我希望你能帮我

如何更改模型以“识别”水印

为什么即使更改图像大小、年代和数据集，我的“损失”和“准确性”也不会移动

我是否应该只使用带有增强的水印图像而不使用背景来训练模型

---

谢谢

因为您正在执行二进制分类，您是否在

ImageDataGenerator.flow\u从_目录

方法到

'binary'

中设置了

class\u模式

参数？默认值是

“分类的”

，这不是您应该在这里使用的，因为您只有一个输出节点

这是一个常见的陷阱。我猜准确度的值一开始是0.5，因为有水印图像和无水印图像的数量可能相等，而且性能永远不会提高，因为您传递了错误的

class\u mode

值

---

TL；DR:Set

class\u mode='binary'

（而不是默认的

class\u mode='classifical'

）在

flow\u from\u directory

中设置

class\u mode='binary'

），因为您正在执行二进制分类，您是否在

ImageDataGenerator.flow\u from\u directory

方法中将

class\u mode

参数设置为

'binary'

？默认值是

“分类的”

，这不是您应该在这里使用的，因为您只有一个输出节点

这是一个常见的陷阱。我猜准确度的值一开始是0.5，因为有水印图像和无水印图像的数量可能相等，而且性能永远不会提高，因为您传递了错误的

class\u mode

值

---

TL；DR：从目录中设置

flow\u中的
class\u mode='binary'
（而不是默认的
class\u mode='classifical'
）！这改变了一切。太棒了！这改变了一切。
model = tf.keras.models.Sequential([
        tf.keras.layers.Conv2D(64, (3,3), activation='relu', input_shape=(250, 250, 3)),
        tf.keras.layers.MaxPooling2D(2, 2),
        tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
        tf.keras.layers.MaxPooling2D(2,2),
        tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
        tf.keras.layers.MaxPooling2D(2,2),
        tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
        tf.keras.layers.MaxPooling2D(2,2),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dropout(0.5),
        tf.keras.layers.Dense(512, activation='relu'),
        tf.keras.layers.Dense(1, activation='sigmoid')
])

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

history = model.fit(train_generator, 
                  epochs=25,
                  validation_data = validation_generator,
                  verbose = 1,
                  validation_steps=3)