基于 tensorflow2.4 斑马线识别

通过斑马线图片数据集，实现斑马线的识别，准确率最终可到97%

1. 数据集查看

为了后面的使用方便，直接将数据集划分好，划分为训练集和验证集

每个文件夹中有属于斑马线的文件和不属于斑马线的文件

图片样式如下

图片格式如下

2.代码

第一步就是老生常谈的导入相应的第三方库

from tensorflow.keras.layers import Conv2D,MaxPooling2D,Flatten,Dense
import tensorflow as tf
from tensorflow.keras.models import Sequential,load_model
from tensorflow.keras import optimizers
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
import os
import numpy as np
import cv2 as cv

第二步我们需要规整字体格式，后面绘图需要

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

第三步就需要我们建立模型，在这里我们建立一个简单的卷积神经网络

if os.path.exists('zebra_plain.h5'):print('加载模型')model = load_model('zebra_plain.h5')
else:print('新建模型')model = Sequential()model.add(Conv2D(32, (3, 3),activation='relu', input_shape=(50, 50, 3)))model.add(MaxPooling2D((2, 2)))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(MaxPooling2D((2, 2)))model.add(Conv2D(128, (3, 3), activation='relu'))model.add(MaxPooling2D((2, 2)))model.add(Conv2D(128, (3, 3), activation='relu'))model.add(MaxPooling2D((2, 2)))model.add(Flatten())model.add(Dense(512, activation='relu'))model.add(Dense(1, activation='sigmoid'))model.summary()model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['acc'])

第四步呢就是需要我们的数据集了，我们先规定数据集的路径

train_dir='./Zebra/train/'
validation_dir='./Zebra/test/'

第五步就是我们喜闻乐见的模型训练过程，但是首先肯定我们数据的一个标准化

train_datagen=ImageDataGenerator(rescale=1/255)
train_generator=train_datagen.flow_from_directory(train_dir,(150,150),batch_size=20,class_mode='binary',shuffle=True)
validation_datagen=ImageDataGenerator(rescale=1/255)
validation_generator=validation_datagen.flow_from_directory(validation_dir,(150,150),batch_size=20,class_mode='binary')history = model.fit_generator(train_generator,epochs=100,validation_data=validation_generator, validation_steps=50)
model.save('zebra_plain.h5')
print(history)

可以看到我们的模型的拟合效果还不错，在训练集上最高有1.0的准确度

第六步就是对模型进行评估啦，这个简单，就一句代码

model.evaluate(validation_generator)

第七步最后呢就是看看我们的预测结果啦，把他画出来

def changeimg(path):     # 图片归一化，更改为四维img1 = cv.imread(path)img = img1/255.img = img.reshape([1,50,50,3])return img,img1
dict_per = train_generator.class_indices      # 包含从类名到类索引的映射的字典
dict_fan = {0:'others',1:'zebra crossing'}   # 标签
for i in os.listdir(validation_dir):for j in os.listdir(validation_dir+i):path = validation_dir+i+'\\'+j    # 路径img,img_1 = changeimg(path)number = model([img])a = round(number.numpy()[0][0],0)   #round() 方法返回浮点数 x 的四舍五入值，准确的说保留值将保留到离上一位更近的一端（四舍六入）  if dict_per[i]!=a:plt.imshow(img_1)print('预测标签---',a)print('正确标签--',dict_per[i])print('预测类别---',dict_fan[a])print('正确类别--',i)break

基于 tensorflow2.4 斑马线识别相关推荐

【基于TensorFlow2.3.0的果蔬识别系统的设计】
基于TensorFlow2.3.0的果蔬识别系统的设计一.开发环境 Windows 10 Python 3.7.3 TensorFlow 2.3.0 Anaconda 4.12.0 CUDA 10. ...
【02】水果蔬菜识别系统-基于tensorflow2.3开发
------------------------------------------------2021年6月18日重大更新-------------------------------------- ...
【原创】基于TensorFlow2识别人是否配戴眼镜的研究
随着时代的发展,电子产品种类越来越丰富,方便我们日常生活的同时,也造成了越来越多人面临近视问题,为更快速准确地统计人群的戴眼镜率,本文基于TensorFlow2,先运用爬虫爬取到了真实人脸戴眼镜与未戴 ...
【01】花卉识别-基于tensorflow2.3实现
------------------------------------------------2021年6月18日重大更新-------------------------------------- ...
基于tensorflow2的手写中文数字识别(自己创建数据集)
基于tensorflow2的手写中文数字识别 @author--HCF 创建图片首先准备手写汉字数字,并按照一定间隔整齐排列,这里是10行9列,共90个数字,如图所示接下来使用PIL库对集中在一起 ...
基于TensorFlow2.3.0的花卉识别Android APP设计
一.前言本设计为基于TensorFlow2.3.0的花卉识别Android APP.TensorFlow2.3.0的API简单易用,训练好后模型导出tflite格式供Anroid APP使用. 开发 ...
基于TensorFlow2.0的摄像头数字识别
import numpy as np import cv2 from skimage import data, segmentation, measure, morphology, color imp ...
基于tensorflow2.0+opencv的花卉识别系统源码（含数据集）
花卉识别-基于tensorflow2.3实现完整代码下载地址:基于tensorflow2.0+opencv的花卉识别系统源码( 文件目录 # 数据下载地址 https://storage.googl ...
深度学习之基于Tensorflow2.0实现AlexNet网络
在之前的实验中,一直是自己搭建或者是迁移学习进行物体识别,但是没有对某一个网络进行详细的研究,正好人工智能课需要按组上去展示成果,借此机会实现一下比较经典的网络,为以后的研究学习打下基础.本次基于Te ...

基于 tensorflow2.4 斑马线识别

基于 tensorflow2.4 斑马线识别

通过斑马线图片数据集，实现斑马线的识别，准确率最终可到97%

1. 数据集查看

为了后面的使用方便，直接将数据集划分好，划分为训练集和验证集

每个文件夹中有属于斑马线的文件和不属于斑马线的文件

图片样式如下

图片格式如下

2.代码

第一步就是老生常谈的导入相应的第三方库

第二步我们需要规整字体格式，后面绘图需要

第三步就需要我们建立模型，在这里我们建立一个简单的卷积神经网络

第四步呢就是需要我们的数据集了，我们先规定数据集的路径

第五步就是我们喜闻乐见的模型训练过程，但是首先肯定我们数据的一个标准化

第六步就是对模型进行评估啦，这个简单，就一句代码

第七步最后呢就是看看我们的预测结果啦，把他画出来

基于 tensorflow2.4 斑马线识别相关推荐

最新文章

热门文章