python之tensorflow手把手實例講解斑馬線識別實現(xiàn)
更新時間：2021年09月22日 15:44:29 作者：鑫xing
目前智慧城市的發(fā)展，人們生活處處有科技，比如人臉識別，智慧交通，無人駕駛等前沿的科技產(chǎn)品也都融入了人們生活中；本篇文章帶你從頭開始實現(xiàn)斑馬線識別
一，斑馬線的數(shù)據(jù)集
數(shù)據(jù)集的構(gòu)成：
| test | train |
|---|---|
| zebra corssing:56 | zebra corssing:168 |
| other:54 | other:164 |
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，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，
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，
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
# 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.h5')
模型訓(xùn)練過程：
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
雖然我們的模型在訓(xùn)練過程中acc一度達(dá)到0.96，但測試集才是檢驗?zāi)Ｐ偷奈ㄒ粯?biāo)準(zhǔn)，在model.evaluate(test_generator)中的評分只有0.91左右，說明我們的模型已經(jīng)能以很高的正確率來完成”斑馬線“與“非斑馬線”的二分類問題了，但我們還是要查看具體是哪些數(shù)據(jù)沒有被模型正確得識別。
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
錯誤輸出過程：
- 1，循環(huán)測試集長度，通過if語句先判斷others還是zebra，再通過one-hot編碼判斷是否預(yù)測正確。
- 2，根據(jù)labels可知others': 0, 'zebra crossing': 1，以此來判斷是否預(yù)測正確。
- 3，對 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（樣本編號前有'\'符號，故+2才能正確取出編號）。
- 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)測錯誤的圖片：'+a[int(a.find('s')+2):])
print('錯誤識別為"zebra crossing",正確類型是"others"')
print('預(yù)測標(biāo)簽為:'+str(np.argmax(pred[i]))+',真實標(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)測錯誤的圖片：'+b[int(b.find('g')+2):])
print('錯誤識別為"others",正確類型是"zebra crossing"')
print('預(yù)測標(biāo)簽為:'+str(np.argmax(pred[i]))+',真實標(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
看到這個錯誤樣本，我猜想可能是因為斑馬線的部分只占了圖像的一半左右，所以預(yù)測錯誤了。
這里是我做預(yù)測判斷的思路，本可以不這么復(fù)雜的可以用test_generator.labels來獲取數(shù)據(jù)的標(biāo)簽，再做判斷。
test_generator.labels
上面只輸出了第一個錯誤的樣本，所以接下來我們要看所有錯誤預(yù)測的樣本
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)測錯誤的圖片：'+a[int(a.find('s')+2):]+',錯誤識別為"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)測錯誤的圖片：'+b[int(b.find('g')+2):]+',錯誤識別為"others",正確類型是"zebra crossing"')
sum=sum+1
print('錯誤率：'+str(sum/100)+'%')
print('正確率：'+str((10000-sum)/100)+'%')
三，分析
在構(gòu)建模型時我嘗試在最后一層只用一個神經(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，測試集的評分也能在0.9左右，但是在最后輸出全部錯誤樣本的時候發(fā)現(xiàn)錯誤的樣本遠(yuǎn)超過softmax，可能其中有些參數(shù)我沒有根據(jù)sigmoid來調(diào)整，所以會有如此高的錯誤率，歡迎在評論區(qū)討論。
到此這篇關(guān)于python之tensorflow手把手實例講解斑馬線識別實現(xiàn)的文章就介紹到這了,更多相關(guān)python tensorflow 斑馬線識別內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
解決Pytorch中的神坑:關(guān)于model.eval的問題
這篇文章主要介紹了解決Pytorch中的神坑:關(guān)于model.eval的問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-05-05
今天教大家Python圖形界面開發(fā)的相關(guān)知識,文章圍繞著如何實現(xiàn)一個小米手機上的秒表計時器功能展開,文中有非常詳細(xì)的代碼示例,需要的朋友可以參考下2021-06-06
這篇文章主要介紹了django的csrf實現(xiàn)過程相加,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2019-07-07
帕累托圖是一種特殊的直方圖， 在項目管理知識體系中屬于質(zhì)量管理的工具。本文為大家整理了Python實現(xiàn)帕累托圖的方法，需要的可以參考一下2023-03-03
今天小編就為大家分享一篇python計算兩個地址之間的距離方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-06-06
要知道我們程序猿也是需要浪漫的，小編我之前在網(wǎng)上搜尋了很多代碼，卻發(fā)現(xiàn)好多都不是最新的，所以自己就整理了一下代碼，現(xiàn)在與廣大博友們分享下2021-09-09
在Python中切片(slice)是對序列型對象(如list, string, tuple)的一種高級索引方法,下面這篇文章主要給大家介紹了關(guān)于Python中切片操作的相關(guān)資料,文中通過實例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-08-08
Python實現(xiàn)bilibili時間長度查詢的示例代碼
這篇文章主要介紹了Python實現(xiàn)bilibili時間長度查詢的示例代碼，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-01-01
這篇文章主要介紹了簡單的抓取淘寶圖片的Python爬蟲,方法比較簡單，推薦給小伙伴們參考下。2014-12-12
這篇文章主要為大家詳細(xì)介紹了python如何定義帶參數(shù)的裝飾器，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-03-03