python之tensorflow手把手實(shí)例講解斑馬線識(shí)別實(shí)現(xiàn)

更新時(shí)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(shí)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(shí)現(xiàn)斑馬線識(shí)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(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.h5')

模型訓(xùn)練過程：

在這里插入圖片描述

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)

在這里插入圖片描述

#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()

在這里插入圖片描述

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(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(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(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

在這里插入圖片描述

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)測錯(cuò)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

在這里插入圖片描述

上面只輸出了第一個(gè)錯(cuò)誤的樣本，所以接下來我們要看所有錯(cuò)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(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)+'%')

在這里插入圖片描述

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softmax，可能其中有些參數(shù)我沒有根據(jù)sigmoid來調(diào)整，所以會(huì)有如此高的錯(cuò)誤率，歡迎在評(píng)論區(qū)討論。

到此這篇關(guān)于python之tensorflow手把手實(shí)例講解斑馬線識(shí)別實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)python tensorflow 斑馬線識(shí)別內(nèi)容請(qǐng)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！

您可能感興趣的文章: