人工智能实战：识别分类货船与游轮

实验环境：TENSORFLOW2.0+PYCHARM+CUDA
实验过程：模型1
实验初期我们最开始首先设计了简单的图片分类模型。该模型分为以下几个模块：
Mymodel_001.h5是训练集训练得到的模型
Testing.py是测试模型准确度的程序
Training.py是训练模型的程序
训练集，验证集和测试集则为以下几个文件夹：
test_set 是测试集
training_set是训练集
validation_set是验证集
具体设计如下：
分类的数据主要是分为有船和无船两类，所以三个数据集分别有两个子集：
Non-ship代表没有船
Ship则代表有船
（这些图片都是利用谷歌浏览器的插件： Fatkun,从谷歌图片和百度图片上面下载的。）
收集好数据集后，接下来的工作是设计神经网络的模型。由于第一次亲手设计，我们只使用了几个隐藏层：

该模型仅有三个隐藏层和池化层交接组成，再连接一个512的全连接层后，输出一个由sigmoid激活的浮点数。
这个浮点数越接近1则有船的机率越大，越接近0则更小。
数据集和理论模型完成后，接下来就是代码实现。
代码实现：
编程全程使用python程序语言。最开始是导入设计所需要的各个模块：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Flatten, Dropout, MaxPooling2D
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import os
import matplotlib.pyplot as plt
import glob

首先以文件夹的形式导入数据集：

trainingDir = r'D:\project_material\shipReco\training_set\\'# 训练集路径
validationDir = r'D:\project_material\shipReco\validation_set\\'# 验证集路径
trainShipDir = os.path.join(trainingDir, 'ships')# 训练集子集船的路径
trainNonShipDir = os.path.join(trainingDir, 'non-ships')#训练集子集无船的路径
num_ship_tr = len(os.listdir(trainShipDir))# 训练集船的数量
num_non_ship_tr = len(os.listdir(trainNonShipDir))# 训练集无船的数量
val_ShipDir = os.path.join(validationDir, 'ships')# 验证集子集船的路径
val_NonShipDir = os.path.join(validationDir, 'non-ships')# 验证集子集无船的路径
num_ship_val = len(os.listdir(val_ShipDir))# 验证集船的数量
num_non_ship_val = len(os.listdir(val_NonShipDir))# 验证集无船的数量

导入文件后，定义全局超参数：

batch_size = 48 # 每次循环的图片数
epochs = 20 # 总共训练几个循环
IMG_HEIGHT = 170 # 模型输入图像高度
IMG_WIDTH = 170 # 模型输入图像宽度

ImageDataGenerator生成训练集图片：

image_gen_train = ImageDataGenerator(rescale=1./255, rotation_range=15,width_shift_range=.10,height_shift_range=.10,fill_mode='nearest', horizontal_flip=True,zoom_range=0.5) # 生成训练数据
image_gen_val = ImageDataGenerator(rescale=1./255,fill_mode='nearest',)
# 生成验证数据

利用flow_from_directory的方法扩充数据集：

image_gen_train = ImageDataGenerator(rescale=1./255, rotation_range=15,
width_shift_range=.10,height_shift_range=.10,fill_mode='nearest', horizontal_flip=True,
zoom_range=0.5) # 生成训练数据
val_data_gen = image_gen_val.flow_from_directory(batch_size=batch_size,
directory=validationDir,target_size=(IMG_HEIGHT, IMG_WIDTH),
class_mode='binary') # 生成验证数据

接下来则是定义先前设计的模型，使用了tensorflow.keras.layers中封装好的层：

model = Sequential([Conv2D(16, 3, padding='same', activation='relu',input_shape=(IMG_HEIGHT, IMG_WIDTH ,3)),MaxPooling2D(),Conv2D(32, 3, padding='same', activation='relu'),MaxPooling2D(),Conv2D(64, 3, padding='same', activation='relu'),MaxPooling2D(),Flatten(),Dense(512, activation='relu'),Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])

定义完模型后，使用fit_generator()训练模型：

total_train = num_ship_tr + num_non_ship_tr # 训练总数
total_val = num_ship_val + num_non_ship_val # 验证总数history = model.fit_generator(train_data_gen,steps_per_epoch=total_train // batch_size, # 每步的训练的数据数epochs=epochs,validation_data=val_data_gen,validation_steps=total_val // batch_size  # 每步的验证的数据数
)
model.save('my_model_001.h5') #保存训练好的模型

到这里模型就可以训练了，但是为了获得直观的图像，导入matplotlib模块画出拟合过程：

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']loss = history.history['loss']
val_loss = history.history['val_loss']epochs_range = range(epochs)plt.figure(figsize=(8, 8))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

接下来是测试集的代码：

IMG_HEIGHT = 170
IMG_WIDTH = 170testDir = r'D:\project_material\shipReco\test_set\\'[:-1]
testShipDir = os.path.join(testDir, r'ships\\'[:-1])
testNonShipDir = os.path.join(testDir, r'non-ships\\'[:-1])

使用imageDataGenerator会打乱顺序，需要定义一个函数将测试集的图片张量化：

def collectImg(directory):imgMatrix = []file_names = os.listdir(directory)
# imgMatrix用来存放转换的图片（三位张量）
# files_names读取directory中的文件
for i in file_names: # 循环文件名file_path = os.path.join(directory, i) # 合并路径名和文件名if file_path[-3:] == "txt": # 跳过txt文件continueif file_path[-3:] == "gif": # 跳过gif文件continueimg = cv2.imread(file_path) # 用Opencv读取图片img = img/255 # 将图片数据1/255化img = cv2.resize(img, (IMG_HEIGHT, IMG_WIDTH))
# 重调整图片大小imgMatrix.append(img.tolist()) # 连接到图片张量上

接下来导入模型测试：

wholeN = 0
wholeS = 0
model = tf.keras.models.load_model('my_model_001.h5')
# 读取模型文件
imgS = collectImg(testShipDir) # 调用先前的函数 转化有船的测试集
imgS_array = np.array(imgS) # np矩阵化
predictionShip = model.predict(imgS_array) # 使用模型估计
imgN = collectImg(testNonShipDir) # 转化无船的模型
imgN_array = np.array(imgN) # np矩阵化
predictionNon = model.predict(imgN_array) # 使用模型估计
for each in predictionShip: # 计算正确率：wholeS = wholeS + 1 - each
accS = 1 - wholeS / len(predictionShip)
for each in predictionNon:wholeN = wholeN + each
accN = 1 - wholeN / len(predictionNon)

最后输出：

print("For images with ships the accuracy is:",accS)
print("For images with no ships the accuracy is:",accN)
print("The accuracy for whole testing set is:",1 - (wholeS + wholeN)/(len(predictionShip)+len(predictionNon)))

训练完毕后输出如下图像：

如图可知训练集准确率大概在84%左右，验证集大概在80%以上。
训练集损失大概有0.3左右，验证集则在0.4左右
最后利用测试模块测试的结果是：

测试集的最终准确率是70.4%。

人工智能实战：识别分类货船与游轮相关推荐

人工智能实战_第八次作业_手写数学式子识别_廖盈嘉
第8次作业:手写数学式子识别项目内容这个作业属于哪个课程人工智能实战2019 这个作业的要求在哪里人工智能实战第八次作业我在这个课程的目标是学会.理解和应用神经网络知识来完成一个app ...
【人工智能实战2019-何峥】第1次作业
项目内容课程人工智能实战2019 作业要求第一次作业介绍自己,提出课程项目建议我的课程目标掌握相关知识和技能,获得项目经验本次作业对我的帮助从博客园博客中,学习前人的经验作业正文 ...
python人工智能方向面试准备_人工智能实战就业(面试)学习路线图
这个项目是干什么的? 整理这个项目的初衷是方便同学们快速开启人工智能自学计划,在学习过程中少走弯路用最快的效率入门Ai并开始实战项目, 提供了近200个Ai实战案例和项目,这些并不是网上搜集来的,而是 ...
【2020最新】人工智能实战就业(面试)学习路线图
人工智能实战就业(面试)学习路线图这个项目是干什么的? 整理这个项目的初衷是方便同学们快速开启人工智能自学计划,在学习过程中少走弯路用最快的效率入门Ai并开始实战项目, 提供了近200个Ai实战案例 ...
人工智能人脸识别系统,人工智能应用人脸识别
手机人脸识别的原理是什么? . 不同品牌机型采用的面部识别技术方案不同,面部识别效果也会不一样:目前vivo/iQOO系列手机,仅NEX双屏版采用3D人脸识别技术,其余机型均采用FaceWake面部识 ...
人工智能实战项目(python)+多领域实战练手项目
人工智能实战项目大家好,我是微学AI,本项目将围绕人工智能实战项目进行展开,紧密贴近生活,实战项目设计多个领域包括:金融.教育.医疗.地理.生物.人文.自然语言处理等:帮助各位读者结合机器学习与深度 ...
卷积神经网络必读的100篇经典论文，包含检测/识别/分类/分割多个领域
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达参考|学术头条编辑|极市平台作为深度学习的代表算法之一,卷积神经 ...
论文大盘点｜卷积神经网络必读的100篇经典论文，包含检测/识别/分类/分割多个领域...
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 转载自:极市平台作为深度学习的代表算法之一,卷积神经网络(Convolution ...
大盘点｜卷积神经网络必读的 100 篇经典论文，包含检测 / 识别 / 分类 / 分割多个领域
关注极市平台公众号(ID:extrememart),获取计算机视觉前沿资讯/技术干货/招聘面经等原文链接:大盘点|卷积神经网络必读的 100 篇经典论文,包含检测 / 识别 / 分类 / 分割多个领 ...

人工智能实战：识别分类货船与游轮

人工智能实战：识别分类货船与游轮相关推荐

最新文章

热门文章