Multiple classification from many of directories

 # %%  Import nessacary libraries

import numpy as np

import pandas as pd

import cv2

import matplotlib.pyplot as plt

import os

import glob

# %%   Keras Tensorflow libraries

from keras import layers

from keras.models import Model

from keras.optimizers import RMSprop , Adam , Nadam

from keras.preprocessing.image import ImageDataGenerator

from keras.layers import Input, BatchNormalization, Dense, Dropout, Conv2D, Flatten, GlobalAveragePooling2D, LeakyReLU

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

# %%  Path

path = r'G:/Machine Learning/Project/Lego Mnifigures Classification/dataset'

open_dir = os.listdir(path)

open_dir

# %%  Visualization in array form

cv2.imread('G:/Machine Learning/Project/Lego Mnifigures Classification/marvel/0006/005.jpg') 

# %%

pltpic = plt.imread('G:/Machine Learning/Project/Lego Mnifigures Classification/marvel/0006/005.jpg') 

plt.imshow(pltpic)

# %%

# %%

cv2pic = cv2.imread('G:/Machine Learning/Project/Lego Mnifigures Classification/marvel/0006/005.jpg') 

plt.imshow(cv2pic)

# %%

index = pd.read_csv('index.csv')

index

# %%

index.shape, index.columns

# %%

index.drop('Unnamed: 0', axis=1, inplace=True)

index

# %%   Create name coloumn because we have to add name of charactors into the class id from index and metadata 

 

index['Name'] = None

index

# %%

metadata = pd.read_csv(path + 'metadata.csv')

# metadata.drop(['Unnamed: 0', 'lego_ids', 'lego_names'], axis=1, inplace=True)

metadata

# %%

    

zipped_data = zip(metadata['class_id'], metadata['minifigure_name'])

zipped_data

# %% 

# loop in metadata

# loop in index

# if class id of both metadata and index, then add their name in empty name column

for id_, name in zipped_data :

    for sr , cl_id in enumerate(index['class_id']):

        if id_ == cl_id :

            index.iat[sr, 3] = name

            

index

# %%  Create valid dataset A new dataset that copy of index dataset 

valid = index.copy()

valid

# %%  

# we have two catagories 'train' and 'valid' in index

# split the dataset into valid and index set, we will use 'where' function

true_train = index['train-valid'] == 'train'

true_valid = valid['train-valid'] == 'valid'

index.where( true_train , inplace=True)

valid.where( true_valid , inplace=True)

# %%  

 

# After run above the code you would seen there nan value in data sets

# so we have drop all nan values

# index.dropna(axis=0) # axis = 0 because we have to drop its row not whole column

# inplace = True is defualt, use when you don't want to make new variable

index.dropna(inplace=True, axis=0)

valid.dropna(inplace=True, axis=0) 

# %%  Load image

for i in range(len(open_dir)):

    images = load_img(path + '/' + open_dir[i] +'/')

# %%