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)據集
數(shù)據集的構成：
| test | train |
|---|---|
| zebra corssing:56 | zebra corssing:168 |
| other:54 | other:164 |
二，代碼部分
1.導包
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)據導入
train_dir=r'C:\Users\zx\深度學習\Zebra\train'
test_dir=r'C:\Users\zx\深度學習\Zebra\test'
train_datagen = ImageDataGenerator(rescale=1/255,
rotation_range=10, #旋轉
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，模型訓練
history = model.fit(train_generator，
epochs=20,
verbose=1)
model.save('./Zebra.h5')
模型訓練過程：
可以看到我們的模型在20輪的訓練后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，模型預測
雖然我們的模型在訓練過程中acc一度達到0.96，但測試集才是檢驗模型的唯一標準，在model.evaluate(test_generator)中的評分只有0.91左右，說明我們的模型已經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編碼判斷是否預測正確。
- 2，根據labels可知others': 0, 'zebra crossing': 1，以此來判斷是否預測正確。
- 3，對 filenames[0]='others\\103.png'，進行切片處理。
- 4，找到others的‘s'或 zebra crossing的‘g'，使用find()在基礎上+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('預測標簽為:'+str(np.argmax(pred[i]))+',真實標簽為: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('預測標簽為:'+str(np.argmax(pred[i]))+',真實標簽為: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，所以預測錯誤了。
這里是我做預測判斷的思路，本可以不這么復雜的可以用test_generator.labels來獲取數(shù)據的標簽，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
在構建模型時我嘗試在最后一層只用一個神經元，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)錯誤的樣本遠超過softmax，可能其中有些參數(shù)我沒有根據sigmoid來調整，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python tensorflow 斑馬線識別內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要為大家詳細介紹了Python實現(xiàn)感知機（PLA）算法，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2017-12-12
這篇文章主要介紹了Python 轉義字符詳細介紹的相關資料,需要的朋友可以參考下2017-03-03
這篇文章主要為大家介紹了OpenCV中的幾個形態(tài)學運算，例如：腐蝕&膨脹、開&閉運算、梯度運算、頂帽運算黑帽運算，感興趣的可以了解一下2022-04-04
這篇文章主要介紹了Python 基于Twisted框架的文件夾網絡傳輸源碼,需要的朋友可以參考下2016-08-08
變量與注釋是表達作者思想的基礎，他們對代碼質量的貢獻母庸質疑，這篇文章主要介紹了Python變量與注釋高級用法,需要的朋友可以參考下2022-08-08
python如何將自己的包上傳到PyPi并可通過pip安裝的方法步驟
本文主要介紹了python如何將自己的包上傳到PyPi并可通過pip安裝的方法步驟，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-05-05
Python是一種簡單易學,功能強大的編程語言,它有高效率的高層數(shù)據結構,能夠簡單、有效地實現(xiàn)面向對象編程,下面這篇文章主要給大家介紹了關于如何利用Python動態(tài)展示排序算法的相關資料,需要的朋友可以參考下2021-10-10
這篇文章主要介紹了利用Python獲取圖片像素BGR值，并將其生成純色圖。文中的示例代碼講解詳細，感興趣的小伙伴可以跟隨小編一起學習一下2022-01-01
這篇文章主要介紹了Python3如何使用tabulate打印數(shù)據,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-09-09
這篇文章主要介紹了Python多線程編程（五）：死鎖的形成,本文講解了死鎖的概念、死鎖示例、避免死鎖的方法等內容,需要的朋友可以參考下2015-04-04