写在前面

使用pycharm+tensorflow实现对bus和taxi数据集进行识别和分类，具体参考文献如下：

1 具体实现教程： Python深度学习之图像识别。
2 开发平台搭建教程：Win-10 安装 TensorFlow-GPU。
3 实验数据集来源：深度学习训练自己的数据集（车辆图像识别分类）。

1 实验代码

import os
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow import keras
from sklearn.model_selection import train_test_split# 导入bus图片
filedir = 'E:/My Word/Downloads/train/bus/'
os.listdir(filedir)
file_list1 = []
for root, dirs, files in os.walk(filedir):for file in files:if os.path.splitext(file)[1] == '.jpg':file_list1.append(os.path.join(root, file))print(root, file)print(len(root))# 批量改变图片像素
for filename in file_list1:try:im = Image.open(filename)new_im = im.resize((128, 128))new_im.save('E:/My Word/CNN/bus_128/' + filename[31:-4] + '.jpg')print('图片' + filename[12:-4] + '.jpg' + '像素转换完成')except OSError as e:print(e.args)# 重新建立新图像列表
filedir = 'E:/My Word/CNN/bus_128/'
os.listdir(filedir)file_list_1 = []
for root, dirs, files in os.walk(filedir):for file in files:if os.path.splitext(file)[1] == '.jpg':file_list_1.append(os.path.join(root, file))# 导入taxi图片
filedir = 'E:/My Word/Downloads/train/taxi/'
os.listdir(filedir)
file_list2 = []
for root, dirs, files in os.walk(filedir):for file in files:if os.path.splitext(file)[1] == '.jpg':file_list2.append(os.path.join(root, file))print(root, file)print(len(root))# 批量改变图片像素
for filename in file_list2:try:im = Image.open(filename)new_im = im.resize((128, 128))new_im.save('E:/My Word/CNN/taxi_128/' + filename[31:-4] + '.jpg')print('图片' + filename[12:-4] + '.jpg' + '像素转换完成')except OSError as e:print(e.args)# 重新建立新图像列表
filedir = 'E:/My Word/CNN/taxi_128/'
os.listdir(filedir)file_list_2 = []
for root, dirs, files in os.walk(filedir):for file in files:if os.path.splitext(file)[1] == '.jpg':file_list_2.append(os.path.join(root, file))# 合并列表数据
file_list_all = file_list_1 + file_list_2# 将图片数据转为数组
M = []
width, height = 0, 0
for filename in file_list_all:im = Image.open(filename)width, height = im.sizeim_L = im.convert("L")Core = im_L.getdata()arr1 = np.array(Core, dtype='float32') / 255.0np.shape(arr1)list_img = arr1.tolist()M.extend(list_img)X = np.array(M).reshape(len(file_list_all), width, height)
np.shape(X)class_names = ['bus', 'taxi']
# 用字典存储标签信息
dict_label = {0: 'bus', 1: 'taxi'}
print(dict_label[0])
print(dict_label[1])
# 用列表输入标签，0表示bus，1表示taxi
label = [0] * len(file_list_1) + [1] * len(file_list_2)
y = np.array(label)# 按照4：1划分训练集和数据集
train_images, test_images, train_labels, test_labels = train_test_split(X, y, test_size=0.2, random_state=0)# 显示来自训练集的前25个图像，并显示类名
# 验证数据格式是否正确，准备构建神经网络
plt.figure(figsize=(10, 10))
for i in range(25):plt.subplot(5, 5, i + 1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(train_images[i], cmap=plt.cm.binary)plt.xlabel(class_names[train_labels[i]])
plt.show()# 训练神经网络
# 第一个输入层有128个节点
# 第二层是两个节点的softmax层——返回2个概率分数的数组，其和为1.
# 每个节点包含一个分数，表示当前图像属于两个类别的概率。
model = keras.Sequential([keras.layers.Flatten(input_shape=(128, 128)),keras.layers.Dense(128, activation=tf.nn.relu),keras.layers.Dense(2, activation=tf.nn.softmax)
])model.compile(optimizer=tf.keras.optimizers.Adam(),loss='sparse_categorical_crossentropy',metrics=['accuracy'])model.fit(train_images, train_labels, epochs=5)
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)# 定义画图函数
def plot_image(i, predictions_array, true_label, img):predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]plt.grid(False)plt.xticks([])plt.yticks([])plt.imshow(img, cmap=plt.cm.binary)predicted_label = np.argmax(predictions_array)if predicted_label == true_label:color = '#00bc57'else:color = 'red'plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],100 * np.max(predictions_array),class_names[true_label]),color=color)def plot_value_array(i, predictions_array, true_label):predictions_array, true_label = predictions_array[i], true_label[i]plt.grid(False)plt.xticks([])plt.yticks([])thisplot = plt.bar(range(len(class_names)), predictions_array,color='#FF7F0E', width=0.2)plt.ylim([0, 1])predicted_label = np.argmax(predictions_array)thisplot[predicted_label].set_color('red')thisplot[true_label].set_color('#00bc57')# 预测单个
i = 29
plt.figure(figsize=(6, 3))
plt.subplot(1, 2, 1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1, 2, 2)
plot_value_array(i, predictions, test_labels)
plt.show()# 集中预测
num_rows = 7
num_cols = 4
num_images = num_rows * num_cols
plt.figure(figsize=(2 * 2 * num_cols, 2 * num_rows))
for i in range(num_images):plt.subplot(num_rows, 2 * num_cols, 2 * i + 1)plot_image(i, predictions, test_labels, test_images)plt.subplot(num_rows, 2 * num_cols, 2 * i + 2)plot_value_array(i, predictions, test_labels)
plt.show()

2 实验结果

2.1 测试集的正确率

2.2 单个预测结果

对测试集第29张图片进行预测和判断：

2.3 集体预测结果

对测试集前32张图片进行预测：

总结与标记

1、总结：今天花了很多时间在配置开发环境上面，具体代码实现的时间和开发环境搭建的时间是差不多的。
2、标记：目前只是对bus和taxi进行了二分类识别的情况。

日常学习记录——pycharm+tensorflow简单图像识别相关推荐

日常学习记录——决策树根节点的选择
日常学习记录--决策树根节点的选择 1 数据集 2 根节点的选择 1 信息增益的计算 2 计算单列属性信息熵 3 计算各属性信息增益 3 存在问题与反思 1 数据集本例使用的是经过预处理的模糊数据集 ...
日常学习记录一_mcufly串口下载
MCUFLY下载环境是STM32f407 第一部分操作步骤板卡部分注意板卡的引脚,boot0接高电平,boot1接低电平. 电脑打开mcufly,电脑通过usb串口线,连接STM32的USART ...
深度学习篇之tensorflow(2) ---图像识别
tensorflow处理图像识别图像识别图像识别的关键点及特点卷积神经网络原理视觉生物学研究神经网络优势卷积层池化层正则化层卷积神经网络实例样本数据读取 urlretrieve() ...
Java开发指导记录表_java 日常学习记录
前言:记录自己初学java 遇到的问题. 环境(win10 开始安装的IDEA,net 开发者 )学习网址:http://how2j.cn/stage/14.html (不是打广告) 特别是对初学 ...
Python学习记录使用tensorflow 2.8 完成猫狗识别使用keras构建CNN神经网络
猫狗识别项目数据分为带标签和不带标签带标签:25000张不带标签:12500张文章目录猫狗识别数据分类处理图像增强预处理编写神经网络结构设置模型保存路径输入样本进入模型进行训练加 ...
日常学习记录——目前学习记录总结
1 已了解或已实践内容 1. 机器学习算法相关常用的两个算法库:sklearn.imbalanced-learn. 决策树算法--基于信息熵.基于信息增益.基于Gini指数模糊决策树算法--决策树 ...
react脚手架日常学习记录
文章目录一. 初始化React脚手架 1.基础相关 2.创建项目 3.脚手架项目结构 4.流程相关二. 规范相关三. input相关四. react父子组件传值五. TodoList案例小总 ...
懒癌患者的学习记录之JAVA简单选择排序
简单选择排序简单选择排序基本思虑 1.简单来说就是找到数组中最小的放到0,第二小的放到1,以此类推. 2.首先假设第0个值为最小 3.然后从他后面的值找到比他小的,设那个值为最小,以此类推,直到最后 ...
懒癌患者的学习记录之JAVA简单插入排序
简单插入排序简单插入排序的基本思路 1.将数组的前n个数视为一个有序数列(先将第一个数视为有序数列,然后前两个数,再前三个数) 2.将第n+1与前面的所有数进行比较,找到该数所在位置将其插入(其他数 ...

日常学习记录——pycharm+tensorflow简单图像识别