male female classification

 

# %%  Import libraries

import numpy as np

import matplotlib.pyplot as plt

import cv2 as cv

import os

import glob

import random

from tensorflow.keras import backend as K

from tensorflow.keras.models import Sequential

from tensorflow.keras.preprocessing.image import ImageDataGenerator , img_to_array

from tensorflow.keras.optimizers import Adam

from tensorflow.keras.layers import Dense, Conv2D, BatchNormalization, Flatten, MaxPooling2D, Dropout, Activation

from tensorflow.keras.utils import to_categorical, plot_model

# %%  Intial parameters

epochs = 100

learning_rate = 1e-3

batch_size = 64

input_dim = (96,96,3)

# %%  Load image file from dataset

data = []

labels = []

image_files = [file for file in glob.glob(r'G:\Machine Learning\Project\Face Detection\Male Female Classification' + '/**/*', recursive=True) if not os.path.isdir(file)]

random.shuffle(image_files) 

# glob gives the path

# image_files[0] = 'G:\\Machine Learning\\Project\\Male Female Classification\\women\\w (42).jpeg'

# %%   Resizing Images and converting images to array and labeling the categories

count = 0

for img in image_files:

    if count >= 800:

        im = cv.imread(img)

        im = cv.resize(im, dimension)  # Resizing will be completed here

        im = img_to_array(im)

        data.append(im)

    # labeling the categories in 0 and  1

        label = img.split(os.path.sep)[-2] # reverse indexing of files in folder # Machine Learning\Project\Male Female Classification\women\ w(1). png

        

        if label == 'women':

            label = 1

        else:

            label = 2

        labels.append([label]) # because we need 2 dim array like [[0],[1],[0],[0],....]

# %%  Preprocessing 

# converting to array

data = np.array(data, dtype=np.float32)/255.0  # scalling

labels = np.array(labels)

# %%  Spliting dataset for training and validation

x_train, x_test, y_train, y_test = train_test_split(

    data, labels, test_size=0.2,random_state=42

)

y_train = to_categorical(y_train, num_classes=2) # [[1, 0], [0, 1], [0, 1], ...]

y_test = to_categorical(y_test, num_classes=2)

# %%  augmenting datset 

aug = ImageDataGenerator(

    rotation_range=25,

    width_shift_range=0.1,

    height_shift_range=0.1,

    shear_range=0.2, 

    zoom_range=0.2, 

    horizontal_flip=True, 

    fill_mode="nearest"

)

# %%  define model

def build(width, height, depth, classes):

    model = Sequential()

    inputShape = (height, width, depth)

    chanDim = -1

    if K.image_data_format() == "channels_first": #Returns a string, either 'channels_first' or 'channels_last'

        inputShape = (depth, height, width)

        chanDim = 1

    

    # The axis that should be normalized, after a Conv2D layer with data_format="channels_first", 

    # set axis=1 in BatchNormalization.

    model.add(Conv2D(32, (3,3), padding="same", input_shape=inputShape))

    model.add(Activation("relu"))

    model.add(BatchNormalization(axis=chanDim))

    model.add(MaxPooling2D(pool_size=(3,3)))

    model.add(Dropout(0.25))

    model.add(Conv2D(64, (3,3), padding="same"))

    model.add(Activation("relu"))

    model.add(BatchNormalization(axis=chanDim))

    model.add(Conv2D(64, (3,3), padding="same"))

    model.add(Activation("relu"))

    model.add(BatchNormalization(axis=chanDim))

    model.add(MaxPooling2D(pool_size=(2,2)))

    model.add(Dropout(0.25))

    model.add(Conv2D(128, (3,3), padding="same"))

    model.add(Activation("relu"))

    model.add(BatchNormalization(axis=chanDim))

    model.add(Conv2D(128, (3,3), padding="same"))

    model.add(Activation("relu"))

    model.add(BatchNormalization(axis=chanDim))

    model.add(MaxPooling2D(pool_size=(2,2)))

    model.add(Dropout(0.25))

    model.add(Flatten())

    model.add(Dense(1024))

    model.add(Activation("relu"))

    model.add(BatchNormalization())

    model.add(Dropout(0.5))

    model.add(Dense(classes))

    model.add(Activation("sigmoid"))

    return model

# %%  build model

model = build(

    width=img_dims[0], height=img_dims[1], depth=img_dims[2], classes=2

)

# %%  compile the model

opt = Adam(lr=lr, decay=lr/epochs)

model.compile(loss="binary_crossentropy", optimizer=opt, metrics=["accuracy"])

# %%  train the model

process = model.fit_generator(aug.flow(trainX, trainY, batch_size=batch_size),

                        validation_data=(testX,testY),

                        steps_per_epoch=len(trainX) // batch_size,

                        epochs=epochs, verbose=1)

# %%  save the model to disk

model.save('gender_detection.model')

# %% plot training/validation loss/accuracy

plt.style.use("ggplot")

plt.figure()

N = epochs

plt.plot(np.arange(0,N), process.history["loss"], label="train_loss")

plt.plot(np.arange(0,N), process.history["val_loss"], label="val_loss")

plt.plot(np.arange(0,N), process.history["acc"], label="train_acc")

plt.plot(np.arange(0,N), process.history["val_acc"], label="val_acc")

plt.title("Training Loss and Accuracy")

plt.xlabel("Epoch #")

plt.ylabel("Loss/Accuracy")

plt.legend(loc="upper right")