人工智能与深度学习实战（4）——口罩佩戴识别（CNN）

转载请注明作者和出处：https://blog.csdn.net/qq_28810395
Python版本： Python3.x
运行平台： Windows 10
IDE： Pycharm profession 2019
如有需要数据集或整个工程文件的可以进行关注cai_5158046回复口罩识别进行获取。

一、前言

在此只做简单利用Tensorflow进行口罩识别的程序实现，不做算法讲解，具体概念请移步下面链接。

https://blog.csdn.net/qq_28810395/article/details/107401125

二、前期准备

数据集（200幅戴口罩图片，200幅没戴口罩图片）如下。

mask
nomask

对于深度网络模型训练，仅仅200的训练集完全不足够进行训练，在此只是测试讲解，所以200样本集足够用于展示流程。

具体代码展示

搭建网络，训练模型。

import os, shutil, random, glob
#添加tensorflow的库
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
#添加matplotlib的库进行界面可视化
import matplotlib.pyplot as plt#变量
resize = 224  #输入图片尺寸参数
total_num = 200  #训练集总计和
train_num = 180  #训练集实际训练数字，20的验证集
epochs = 5       #迭代次数
batch_size = 8   #每次训练多少张# -----------------------------------------------------------------------------
dir_data = './train/'            #训练集路径
dir_mask = os.path.join(dir_data, 'mask')     #戴口罩文件夹路径
dir_nomask = os.path.join(dir_data, 'nomask') #没带口罩文件夹路径
#健壮性的断言
assert os.path.exists(dir_mask), 'Could not find ' + dir_mask
assert os.path.exists(dir_nomask), 'Could not find ' + dir_nomask
#定义了文件指针对整个文件夹遍历一遍，将图像读出来
fpath_mask = [os.path.abspath(fp) for fp in glob.glob(os.path.join(dir_mask, '*.jpg'))]
fpath_nomask = [os.path.abspath(fp) for fp in glob.glob(os.path.join(dir_nomask, '*.jpg'))]
#文件数
num_mask = len(fpath_mask)
num_nomask = len(fpath_nomask)
#设置标签
label_mask = [0] * num_mask
label_nomask = [1] * num_nomaskprint('#mask:   ', num_mask)
print('#nomask: ', num_nomask)
#划分多少为验证集
RATIO_TEST = 0.1num_mask_test = int(num_mask * RATIO_TEST)
num_nomask_test = int(num_nomask * RATIO_TEST)# train
fpath_train = fpath_mask[num_mask_test:] + fpath_nomask[num_nomask_test:]
label_train = label_mask[num_mask_test:] + label_nomask[num_nomask_test:]
# validation
fpath_vali = fpath_mask[:num_mask_test] + fpath_nomask[:num_nomask_test]
label_vali = label_mask[:num_mask_test] + label_nomask[:num_nomask_test]num_train = len(fpath_train)
num_vali = len(fpath_vali)print(num_train)
print(num_vali)
#预处理
def preproc(fpath, label):image_byte = tf.io.read_file(fpath)image = tf.io.decode_image(image_byte)image_resize = tf.image.resize_with_pad(image, 224, 224) #缩放到224*224image_norm = tf.cast(image_resize, tf.float32) / 255. #归一化label_onehot = tf.one_hot(label, 2)return image_norm, label_onehotdataset_train = tf.data.Dataset.from_tensor_slices((fpath_train, label_train)) #将数据进行预处理
dataset_train = dataset_train.shuffle(num_train).repeat()  #打乱顺序
dataset_train = dataset_train.map(preproc, num_parallel_calls=tf.data.experimental.AUTOTUNE)
dataset_train = dataset_train.batch(batch_size).prefetch(tf.data.experimental.AUTOTUNE) #一批次处理多少份dataset_vali = tf.data.Dataset.from_tensor_slices((fpath_vali, label_vali))
dataset_vali = dataset_vali.shuffle(num_vali).repeat()
dataset_vali = dataset_vali.map(preproc, num_parallel_calls=tf.data.experimental.AUTOTUNE)
dataset_vali = dataset_vali.batch(batch_size).prefetch(tf.data.experimental.AUTOTUNE)
# -----------------------------------------------------------------------------# AlexNet  算法模型
model = keras.Sequential(name='Alexnet')
#第1层
model.add(layers.Conv2D(filters=96, kernel_size=(11,11),strides=(4,4), padding='valid',input_shape=(resize,resize,3),activation='relu'))
model.add(layers.BatchNormalization())
#第1层池化
model.add(layers.MaxPooling2D(pool_size=(3,3), strides=(2,2), padding='valid'))
#第2层
model.add(layers.Conv2D(filters=256, kernel_size=(5,5), strides=(1,1), padding='same', activation='relu'))
model.add(layers.BatchNormalization())
#第2层池化
model.add(layers.MaxPooling2D(pool_size=(3,3), strides=(2,2), padding='valid'))
#第3层
model.add(layers.Conv2D(filters=384, kernel_size=(3,3), strides=(1,1), padding='same', activation='relu'))
#第4层
model.add(layers.Conv2D(filters=384, kernel_size=(3,3), strides=(1,1), padding='same', activation='relu'))
#第5层
model.add(layers.Conv2D(filters=256, kernel_size=(3,3), strides=(1,1), padding='same', activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(3,3), strides=(2,2), padding='valid'))
#第6，7，8层
model.add(layers.Flatten())
model.add(layers.Dense(4096, activation='relu'))
model.add(layers.Dropout(0.5))model.add(layers.Dense(4096, activation='relu'))
model.add(layers.Dropout(0.5))model.add(layers.Dense(1000, activation='relu'))
model.add(layers.Dropout(0.5))# Output Layer
model.add(layers.Dense(2, activation='softmax'))# Training 优化器
model.compile(loss='categorical_crossentropy',optimizer='sgd',           #梯度下降法metrics=['accuracy'])history = model.fit(dataset_train,steps_per_epoch = num_train//batch_size,epochs = epochs,         #迭代次数validation_data = dataset_vali,validation_steps = num_vali//batch_size,verbose = 1)
#评分标准
# scores = model.evaluate(train_data, train_label, verbose=1)
scores = model.evaluate(dataset_train, steps=num_train//batch_size, verbose=1)
print(scores)# scores = model.evaluate(test_data, test_label, verbose=1)
scores = model.evaluate(dataset_vali, steps=num_vali//batch_size, verbose=1)
print(scores)
#保存模型
model.save('./model/mask.h5')# Record loss and acc
history_dict = history.history
train_loss = history_dict['loss']
train_accuracy = history_dict['accuracy']
val_loss = history_dict['val_loss']
val_accuracy = history_dict['val_accuracy']# Draw loss
plt.figure()
plt.plot(range(epochs), train_loss, label='train_loss')
plt.plot(range(epochs), val_loss, label='val_loss')
plt.legend()
plt.xlabel('epochs')
plt.ylabel('loss')# Draw acc
plt.figure()
plt.plot(range(epochs), train_accuracy, label='train_accuracy')
plt.plot(range(epochs), val_accuracy, label='val_accuracy')
plt.legend()
plt.xlabel('epochs')
plt.ylabel('accuracy')# Display
plt.show()print('Task finished')

三、模型训练结果展示

程序中只采用了5次迭代，具体工程也是远远不够的，在此也同样仅仅做流程说明，所以不做要求。

显示loss
显示acc

四、测试集

简单测试，所以只采用了2张图片。

五、测试模型代码

import cv2from tensorflow.keras.models import load_modelresize = 224
label = ('戴口罩!', '没戴口罩')image = cv2.resize(cv2.imread('./test/test1.jpg'),(resize,resize))
image = image.astype("float") / 255.0image = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))model = load_model('./model/mask.h5')
predict = model.predict(image)
i = predict.argmax(axis=1)[0]
print(label[i])

六、测试结果

七、参考信息

http://edu.cstor.cn/#/

人工智能与深度学习实战（4）——口罩佩戴识别（CNN）相关推荐

人工智能：深度学习算法及应用——简单理解CNN卷积神经网络并python实现（带源码）
深度学习算法及应用一. 实验目的二. 实验要求三. 实验的硬件.软件平台四. 实验原理 1.1. 深度学习概述 1.2. 深度学习的常见结构 1.3. 卷积神经网络(CNN) **卷积** * ...
深度学习实战——手写数字识别
一,算法介绍代码和数据来自知乎帖 https://zhuanlan.zhihu.com/p/274610199 不过文中的错误代码有点多...有的是看评论改的,有的是我自己改的. 这个算法全部放在一 ...
深度学习实战02-卷积神经网络（CNN）实现服装图像分类
活动地址:CSDN21天学习挑战赛参考文章:https://mtyjkh.blog.csdn.net/article/details/116992196 一.前期准备 1. 设置GPU 如果 ...
#21天学习挑战赛—深度学习实战100例#——验证码识别
活动地址:CSDN21天学习挑战赛本文为
深度学习实战—手写数字识别
文章目录一.mnist数据集训练集下载二.pytorch pycharm 三.直接运行python githup上的开源代码四.参考视频和开源代码一.mnist数据集训练集下载直接运行下面的 ...
深度学习实战5-卷积神经网络（CNN）中文OCR识别项目
文章目录一.前期工作导入库图片生成函数导入数据生成数据集函数二.CNN模型建立三.训练模型函数四.训练模型与结果五.验证大家好,我是微学AI,今天给大家带来一个利用卷积神经网络(C ...
深度学习实战14(进阶版)-手写文字OCR识别，手写笔记也可以识别了
大家好,我是微学AI,今天给大家带来手写OCR识别的项目.手写的文稿在日常生活中较为常见,比如笔记.会议记录,合同签名.手写书信等,手写体的文字到处都有,所以针对手写体识别也是有较大的需求.目前手写体 ...
深度学习实战6-卷积神经网络(Pytorch)+聚类分析实现空气质量与天气预测
文章目录一.前期工作导入库包导入数据主成分分析(PCA) 聚类分析(K-means) 二.神经网络模型建立三.检验模型大家好,我是微学AI,今天给大家带来一个利用卷积神经网络(pytorc ...
深度学习实战1-(keras框架)企业数据分析与预测
大家好,我是微学AI,今天给大家带来深度学习框架keras的实战项目,用于基本的企业数据分析,预测企业净利润情况,并利用灰色预测函数GM11进行预测模型.我们拿到企业数据,这里参数抽象成x1-x9,y ...
深度学习实战3-文本卷积神经网络（TextCNN）新闻文本分类
文章目录一.前期工作 1. 设置GPU 2. 导入预处理词库类二.导入预处理词库类三.参数设定四.创建模型五.训练模型函数六.测试模型函数七.训练模型与预测今天给大家带来一个简单的中文 ...

人工智能与深度学习实战（4）——口罩佩戴识别（CNN）

一、前言

二、前期准备

具体代码展示

三、模型训练结果展示

四、测试集

五、测试模型代码

六、测试结果

七、参考信息

人工智能与深度学习实战（4）——口罩佩戴识别（CNN）相关推荐

最新文章

热门文章