python中如何實(shí)現(xiàn)tensorflow實(shí)現(xiàn)斑馬線識(shí)別功能

這篇文章主要為大家展示了“python中如何實(shí)現(xiàn)tensorflow實(shí)現(xiàn)斑馬線識(shí)別功能”，內(nèi)容簡(jiǎn)而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“python中如何實(shí)現(xiàn)tensorflow實(shí)現(xiàn)斑馬線識(shí)別功能”這篇文章吧。

一，斑馬線的數(shù)據(jù)集

數(shù)據(jù)集的構(gòu)成：

二，代碼部分

1.導(dǎo)包

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import numpy as np
import matplotlib.pyplot as plt
import keras

2.數(shù)據(jù)導(dǎo)入

train_dir=r'C:\Users\zx\深度學(xué)習(xí)\Zebra\train'
test_dir=r'C:\Users\zx\深度學(xué)習(xí)\Zebra\test'
train_datagen = ImageDataGenerator(rescale=1/255,
                                   rotation_range=10,  #旋轉(zhuǎn)
                                   horizontal_flip=True)
train_generator = train_datagen.flow_from_directory(train_dir,
                                                    (50,50),
                                                    batch_size=1,
                                                    class_mode='binary',
                                                    shuffle=False)
test_datagen = ImageDataGenerator(rescale=1/255)
test_generator = test_datagen.flow_from_directory(test_dir,
                                                 (50,50),
                                                  batch_size=1,
                                                  class_mode='binary',
                                                  shuffle=False)

3.搭建模型

模型的建立仁者見(jiàn)智，可自己調(diào)節(jié)尋找更好的模型。

model = tf.keras.models.Sequential([
    # 第一層卷積，卷積核為，共16個(gè)，輸入為150*150*1
    tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same',input_shape=(50,50,3)),
    tf.keras.layers.MaxPooling2D((2,2)),
    
    # 第二層卷積，卷積核為3*3，共32個(gè)，
    tf.keras.layers.Conv2D(32,(3,3),activation='relu'),
    tf.keras.layers.MaxPooling2D((2,2)),
    
    # 第三層卷積，卷積核為3*3，共64個(gè)，
    tf.keras.layers.Conv2D(64,(3,3),activation='relu'),
    tf.keras.layers.MaxPooling2D((2,2)),
    
    # 第四層卷積，卷積核為3*3，共128個(gè)
#     tf.keras.layers.Conv2D(128,(3,3),activation='relu'),
#     tf.keras.layers.MaxPooling2D((2,2)),
    
    # 數(shù)據(jù)鋪平
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(32,activation='relu'),
    tf.keras.layers.Dense(16,activation='relu'),
    tf.keras.layers.Dense(2,activation='softmax')
])
print(model.summary())
model.compile(optimize='adam',
             loss=tf.keras.losses.sparse_categorical_crossentropy,
              metrics=['acc'])

4，模型訓(xùn)練

history = model.fit(train_generator，
                    epochs=20,
                    verbose=1)
model.save('./Zebra.h6')

模型訓(xùn)練過(guò)程：

可以看到我們的模型在20輪的訓(xùn)練后acc從0.63上升到了0.96左右。

5，模型評(píng)估

model.evaluate(test_generator)

#可視化
plt.plot(history.history['acc'], label='accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.7, 1])
plt.legend(loc='lower right')
plt.title('acc')
plt.show()

6，模型預(yù)測(cè)

雖然我們的模型在訓(xùn)練過(guò)程中acc一度達(dá)到0.96，但測(cè)試集才是檢驗(yàn)?zāi)Ｐ偷奈ㄒ粯?biāo)準(zhǔn)，在model.evaluate(test_generator)中的評(píng)分只有0.91左右，說(shuō)明我們的模型已經(jīng)能以很高的正確率來(lái)完成”斑馬線“與“非斑馬線”的二分類問(wèn)題了，但我們還是要查看具體是哪些數(shù)據(jù)沒(méi)有被模型正確得識(shí)別。

pred=model.predict(test_generator) #獲取test集的輸出
filenames = test_generator.filenames  #獲取test數(shù)據(jù)的文件名

錯(cuò)誤輸出過(guò)程：

• 1，循環(huán)測(cè)試集長(zhǎng)度，通過(guò)if語(yǔ)句先判斷others還是zebra，再通過(guò)one-hot編碼判斷是否預(yù)測(cè)正確。

• 2，根據(jù)labels可知others': 0, 'zebra crossing': 1，以此來(lái)判斷是否預(yù)測(cè)正確。

• 3，對(duì) filenames[0]='others\\103.png'，進(jìn)行切片處理。

• 4，找到others的‘s'或 zebra crossing的‘g'，使用find()在基礎(chǔ)上+2為正切片的起點(diǎn)（樣本編號(hào)前有'\'符號(hào)，故+2才能正確取出編號(hào)）。

• 5，如 ：將filenames[i]的值賦給a，a[int(a.find('s')+2):]則表示為 'xx.png'。

• 6，將取出的樣本編號(hào)與路徑拼接，讀取后作圖。

• 7，break跳出循環(huán)。

for i in range(len(filenames)):
    if filenames[i][:6]=='others':
        if np.argmax(pred[i]) != 0:
            a=filenames[i]
            plt.figure()
            print('預(yù)測(cè)錯(cuò)誤的圖片：'+a[int(a.find('s')+2):])
            print('錯(cuò)誤識(shí)別為"zebra crossing",正確類型是"others"')
            print('預(yù)測(cè)標(biāo)簽為:'+str(np.argmax(pred[i]))+',真實(shí)標(biāo)簽為:0')
            img = plt.imread('Zebra/test/others/'+a[int(a.find('s')+2):])
            plt.imshow(img)
            plt.title(a[int(a.find('s')+2):])
            plt.grid(False)
            break
    if filenames[i][:6]=='zebra ':
        if np.argmax(pred[i]) != 1:
            b= filenames[i]
            plt.figure()
            print('預(yù)測(cè)錯(cuò)誤的圖片：'+b[int(b.find('g')+2):])
            print('錯(cuò)誤識(shí)別為"others",正確類型是"zebra crossing"')
            print('預(yù)測(cè)標(biāo)簽為:'+str(np.argmax(pred[i]))+',真實(shí)標(biāo)簽為:1')
            img = plt.imread('Zebra/test/zebra crossing/'+b[int(b.find('g')+2):])
            plt.imshow(img)
            plt.title(b[int(b.find('g')+2):])
            plt.grid(False)
            break

看到這個(gè)錯(cuò)誤樣本，我猜想可能是因?yàn)榘唏R線的部分只占了圖像的一半左右，所以預(yù)測(cè)錯(cuò)誤了。

這里是我做預(yù)測(cè)判斷的思路，本可以不這么復(fù)雜的可以用test_generator.labels來(lái)獲取數(shù)據(jù)的標(biāo)簽，再做判斷。

test_generator.labels

上面只輸出了第一個(gè)錯(cuò)誤的樣本，所以接下來(lái)我們要看所有錯(cuò)誤預(yù)測(cè)的樣本

sum=0
for i in range(len(filenames)):
    if filenames[i][:6]=='others':
        if np.argmax(pred[i]) != 0:
            a=filenames[i]
            print('預(yù)測(cè)錯(cuò)誤的圖片：'+a[int(a.find('s')+2):]+',錯(cuò)誤識(shí)別為"zebra crossing",正確類型是"others"')
            sum=sum+1
    if filenames[i][:6]=='zebra ':
        if np.argmax(pred[i]) != 1:
            b= filenames[i]
            print('預(yù)測(cè)錯(cuò)誤的圖片：'+b[int(b.find('g')+2):]+',錯(cuò)誤識(shí)別為"others",正確類型是"zebra crossing"')
            sum=sum+1
print('錯(cuò)誤率：'+str(sum/100)+'%')
print('正確率：'+str((10000-sum)/100)+'%')

三，分析

在構(gòu)建模型時(shí)我嘗試在最后一層只用一個(gè)神經(jīng)元，用sigmoid激活函數(shù)，其他參數(shù)不變，在同樣epochs=20的條件，也能很快收斂，達(dá)到很高的acc，測(cè)試集的評(píng)分也能在0.9左右，但是在最后輸出全部錯(cuò)誤樣本的時(shí)候發(fā)現(xiàn)錯(cuò)誤的樣本遠(yuǎn)超過(guò)softmax，可能其中有些參數(shù)我沒(méi)有根據(jù)sigmoid來(lái)調(diào)整，所以會(huì)有如此高的錯(cuò)誤率。

以上是“python中如何實(shí)現(xiàn)tensorflow實(shí)現(xiàn)斑馬線識(shí)別功能”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！