| 人工智能与深度学习实战（4） | 您所在的位置：网站首页 › yolov3口罩识别的设计方案 › 人工智能与深度学习实战（4） |
人工智能与深度学习实战（4）
|
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。 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_nomask print('#mask: ', num_mask) print('#nomask: ', num_nomask) #划分多少为验证集 RATIO_TEST = 0.1 num_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*224 image_norm = tf.cast(image_resize, tf.float32) / 255. #归一化 label_onehot = tf.one_hot(label, 2) return image_norm, label_onehot dataset_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acc 
四、测试集
简单测试，所以只采用了2张图片。
|
【本文地址】
公司简介
联系我们