python之tensorflow手把手實例講解斑馬線識別實現(xiàn)
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(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一度達到0.96，但測試集才是檢驗?zāi)Ｐ偷奈ㄒ粯藴?，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(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(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(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)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信