python之tensorflow手把手實例講解斑馬線識別實現

Posted on by

一，斑馬線的數據集

數據集的構成：

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：

在這裡插入圖片描述

可以看到我們的模型在20輪的訓練後acc從0.63上升到瞭0.96左右。

5，模型評估

model.evaluate(test_generator)

在這裡插入圖片描述

#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()

在這裡插入圖片描述

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)中的評分隻有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”的二分類問題瞭，但我們還是要查看具體是哪些數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數據的文件名

錯誤輸出過程：

  • 1，循環測試集長度，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，讀取後作圖。
  • 7，break跳出循環。
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

在這裡插入圖片描述

看到這個錯誤樣本，我猜想可能是因為斑馬線的部分隻占瞭圖像的一半左右，所以預測錯誤瞭。

這裡是我做預測判斷的思路，本可以不這麼復雜的可以用test_generator.labels來獲取數據的標簽，再做判斷。

test_generator.labels

在這裡插入圖片描述

上面隻輸出瞭第一個錯誤的樣本，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)+'%')

在這裡插入圖片描述

三，分析

在構建模型時我嘗試在最後一層隻用一個神經元，用sigmoid激活函數，其他參數不變，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，但是在最後輸出全部錯誤樣本的時候發現錯誤的樣本遠超過softmax，可能其中有些參數我沒有根據sigmoid來調整，所以會有如此高的錯誤率，歡迎在評論區討論。

到此這篇關於python之tensorflow手把手實例講解斑馬線識別實現的文章就介紹到這瞭,更多相關python tensorflow 斑馬線識別內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：