基于Keare的交通标志识别

前两天体验了一下腾讯云的在线实验，内容如题，在这里记录一下一些必要知识（水

实验步骤

这个实验分为训练过程和测试过程两部分。

训练过程流程及实现：

解析脚本输入参数：使用argparse解析，由args变量持有
创建模型：自定义函数create_model()，返回使用keras.models.Model类创建的实例
模型编译：执行Model实例的compile()
数据增强：自定义函数create_image_generator()
模型训练与保存：自定义函数train()完成模型训练，使用keras.callbacks.ModelCheckpoint类的实例完成模型保存

测试过程流程及实现：

解析脚本输入参数：使用argparse解析，由args变量持有
创建模型：自定义函数create_model()
模型加载：使用keras.models.load_model()
数据读取：自定义函数create_image_generator()
预测与评估：自定义函数test()

环境搭建

安装TensorFlow

输入下述命令升级pip并安装TensorFlow

python -m pip install --upgrade pip && pip install tensorflow==1.14

安装Keras

输入下述命令安装Keras

pip install keras==2.3.1

安装opencv-python

输入下述命令安装opencv-python

pip install opencv-python

安装numpy

输入下述命令安装numpy

pip install numpy==1.19

编写训练代码

创建文件

进入工程目录

cd /traffic_symbol

创建train.py文件，本实验的后续代码都将在此文件中完成

touch train.py

引用文件

点击打开 train.py 文件，输入下述内容：

在文件顶部输入下述内容

import os
import argparse
import shutil
import cv2
import random
import numpy as np
import keras
from keras.applications.mobilenet import preprocess_input, MobileNet
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Model, load_model
from keras.layers import *
from keras.callbacks import ModelCheckpoint

记得保存！

保存方法：Windows 系统点击 ctrl+s，Mac OS 点击 command+s 保存

完成模型构建代码

继续在 train.py 中继续输入下面的内容，然后保存

# 创建模型
def create_model(height, width, channel, num_class):# 加载预训练模型base_model = MobileNet(input_shape=(height, width, channel), weights='imagenet', include_top=False)
# 把基础模型后部替换成GAP + FCx = base_model.outputx = GlobalAveragePooling2D()(x)x = Dropout(0.5)(x)x = Dense(256, activation='relu')(x)predictions = Dense(num_class, activation='softmax')(x)
# 创建模型return Model(inputs=base_model.input, outputs=predictions)

完成数据处理代码

继续添加下列代码，并保存：

# 图片增强
def preprocess(image):# 图片格式转换为HSVimage = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
# 无关信息增强：随机改变色调、饱和度、明度h, s, v = cv2.split(image)shift_h = cv2.addWeighted(h, 1, h, 0, random.randint(-10, 10))shift_hsv = cv2.merge([shift_h, s, v])image = cv2.cvtColor(shift_hsv, cv2.COLOR_HSV2RGB)brightness = random.randint(-50, 50)contrast = random.uniform(0.8, 1.2)image = cv2.addWeighted(image, contrast, image, 0, brightness)
# mobilenet的图片加速处理方式image = preprocess_input(image)return image


# 创建ImageDataGenerator
def create_image_generator(args, type):classes = [str(i) for i in range(args.n_classes)]if type == 0:# 训练集数据处理generator = ImageDataGenerator(preprocessing_function=preprocess,shear_range=0.2,    # 裁剪zoom_range=0.2,     # 缩放rotation_range=20,  # 旋转vertical_flip=False,# 纵向对称变换horizontal_flip=True# 横向对称变换).flow_from_directory(args.dataset + '/train',target_size=(model.inputs[0].shape[1], model.inputs[0].shape[2]),batch_size=args.batch_size,classes=classes,class_mode='categorical')elif type == 1:# 验证集集数据处理generator = ImageDataGenerator(preprocessing_function=preprocess_input  # 数据不做任何增强).flow_from_directory(args.dataset + '/validation',target_size=(model.inputs[0].shape[1], model.inputs[0].shape[2]),batch_size=args.batch_size,classes=classes,class_mode='categorical',shuffle=False,seed=0)return generator

完成训练流程代码

继续添加下列代码，并保存：

# 训练模型
def train(args, model):# 训练数据处理train_generator = create_image_generator(args, 0)
# 验证集数据处理validation_generator = create_image_generator(args, 1)
# 编译模型model.compile(optimizer=keras.optimizers.Adam(),metrics=['accuracy'],loss='categorical_crossentropy')
# 模型保存model_save_path = os.path.join(args.output, 'model.h5')saver = ModelCheckpoint(model_save_path, monitor='val_loss', verbose=1, save_best_only=True)
# 开始训练model.fit_generator(generator=train_generator,epochs=args.epochs,validation_data=validation_generator,callbacks=[saver])

完成参数处理代码

继续添加下列代码，并保存：

if __name__ == "__main__":# 参数解析parser = argparse.ArgumentParser()# 定义路径parser.add_argument("--dataset", type=str, default="./data")parser.add_argument("--output", type=str, default="./results")parser.add_argument("--resume_model_path", type=str, default="")# 定义模型参数parser.add_argument("--n_classes", type=int, default=2)parser.add_argument("--input_width", type=int, default=128)parser.add_argument("--input_height", type=int, default=128)parser.add_argument("--input_channel", type=int, default=3)# 定义超参数parser.add_argument("--epochs", type=int, default=5)parser.add_argument("--batch_size", type=int, default=4)# 过程控制。test为0表示训练，test为1表示测试parser.add_argument("--test", type=int, default=0)args = parser.parse_args()print("args: ", args)
# 创建输出路径所指文件夹os.makedirs(args.output, exist_ok=True)
# 创建模型model = create_model(args.input_height, args.input_width, args.input_channel, args.n_classes)
# 打印模型结构model.summary()
# 加载模型if args.resume_model_path != "":try:model = load_model(args.resume_model_path)except Exception as e:print('No saved model, using init weights!')
if args.test:# 预测测试图片test(args, model)else:# 开始训练train(args, model)

开始训练

使用脚本进行训练

输入下述命令执行脚本训练过程

python train.py

测试模型

输入测试数据处理函数

在 /traffic_symbol/train.py 文件中，找到 create_image_generator 方法，在 return generator 前面输入下述代码，然后保存。请 注意缩进！

    else:# 测试集数据处理generator = ImageDataGenerator(preprocessing_function=preprocess_input  # 数据不做任何增强).flow_from_directory(args.dataset + '/test',target_size=(model.inputs[0].shape[1], model.inputs[0].shape[2]),batch_size=args.batch_size,classes=classes,class_mode='categorical',shuffle=False,seed=0)

输入测试流程函数

在if __name__ == "__main__":前，继续输入下面的代码，然后保存

# 模型测试
def test(args, model):# 生成结果解析路径result_folder = args.output + '/test'if os.path.exists(result_folder):shutil.rmtree(result_folder)os.makedirs(result_folder)
# 生成测试数据集test_generator = create_image_generator(args, 2)
# 初始化变量total_images = 0right_images = 0n_val_batch = len(test_generator)
# 批量预测图片for b in range(n_val_batch):vx, vy = test_generator.next()pred = model.predict(vx)vy = np.argmax(vy, -1)pred = np.argmax(pred, -1)if test_generator.batch_index > 0:idx = (test_generator.batch_index - 1) * test_generator.batch_sizeelse:idx = (n_val_batch - 1) * test_generator.batch_sizefiles = test_generator.filepaths[idx: idx + test_generator.batch_size]
indices = [i for i, v in enumerate(pred) if pred[i] != vy[i]]total_images += len(files)right_images += len(files) - len(indices)
for i in range(len(files)):img = cv2.imread(files[i], cv2.IMREAD_UNCHANGED)text = "label" + str(vy[i]) + "_pred" + str(pred[i]) + "_"save_path = os.path.join(result_folder, text + os.path.basename(files[i]))cv2.imwrite(save_path, img)
print('accuracy', right_images / total_images)

模型测试

使用脚本进行测试

输入下述命令

python train.py --test 1 --resume_model_path /traffic_symbol/results/model.h5

等待测试完成，可以看到类似这样的输出

Found 16 images belonging to 2 classes.
accuracy 1.0

查看测试图片数据结果

ls /traffic_symbol/results/test

运行上述命令，可以看到输出图片的类似效果

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QLtll5yE-1658026934409)(https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/017f02c2a3784ecca719aef7dfd9dc1b~tplv-k3u1fbpfcp-zoom-1.image)]

可以在这里看到所有图片的标注和预测结果。如label0_pred0_43-0-0.jpg，意味着标注类别是0，预测结果0，原图名称是43-0-0.jpg

打开 results/test 文件夹，在 右侧目录树 点击查看测试输出图片效果