智能识别车,车辆识别技术有哪些,智能识别汽车

　　介绍

　　车标是什么？

　　在学习TensorFlow的过程中，我在开源社区发现了一个叫MobileNet的模型，可以对图片进行分类。Google发布的TensorFlow-for-poems项目正好支持这种模式。我们希望将TensorFlow和MobileNet结合起来，应用于不同车标的图片分类。同时以此为基础，可以体验ML/TF中不同超参数对训练的影响。

　　我们要创造什么？

　　在此Codelab中，您将使用徽标图像来训练TensorFlow模型。您将了解到：

　　1收集和分类车辆标志图像。

　　2使用MobileNet_v1_128型号。

　　3训练模型，检验效果。

　　4分别测试学习率为0.1，0.001，0.0001，0.00001时的训练效果。

　　5测试用MobileNet_v1_224替换预训练模型后的训练效果。

　　6.选择最佳训练超参数并执行预测。

　　你需要什么？

　　黑核桃实验室。AI云接入账号

　　收集和分类车辆标志图像。

　　这个Codelab使用图像分类的方法来识别车标，所以要采集的数据集非常简单，你只需要拍下各种车标的照片就可以了。这个Codelab提供了已经拍摄的演示用数据集，可以和自己拍摄的数据集一起使用。

　　拍摄数据集时，需要注意以下几点。

　　1拍摄的照片分辨率应为1:1。

　　2拍摄的车标占据了图片的大部分区域。

　　三个车标应拍摄相同数量的图片，每个车标应不少于200张。

　　4不要逆光拍摄。

　　创建一个名为Codelab的新目录，并在该目录下创建一个名为data的新目录。新建一个终端界面，进入Codelab目录，将Tools/datasets目录下的图片复制到这个目录下。

　　CP-r…/工具/数据集/*数据

　　在Codelab/data目录下上传自己的图片，解压。(以image.zip为例)

　　解压缩image.zip

　　rm image.zip

　　在图像分类模型的训练过程中，模型需要知道训练好的标签以及每个标签对应的图片，因此需要根据车标的类型对上一步拍摄的图片进行分类。

　　本次Codelab采用的训练方案是基于TensorFlow-for-poems项目，只需要将同一个车标分类到一个目录中，即训练时传入的标签名称就是分类的目录名称。

　　这个Codelab提供的数据集已经按照名称进行了分类，在Codelab/data目录下新创建了别克、长安、宝马、日产、通用等命名的目录。切换到终端界面，进入Codelab/data目录，将对应名称段的图片分别移动到这些目录中。

　　别克：1521121626331.jpg ~ 1521121911843.jpg

　　长安：1521171197033.jpg ~ 1521171332105.jpg

　　宝马：1521187291619.jpg ~ 1521187912599.jpg

　　日产：1521189204685.jpg ~ 1521189316223.jpg

　　通用汽车：1521257197105.jpg ~ 1521257469684.jpg

　　mv 1521121*别克

　　mv 1521171*长安

　　mv 1521187*宝马

　　mv 1521189*日产

　　mv 1521257* GM

　　使用MobileNet_v1_128型号

　　可以实现图像分类的模型有很多，如MobileNet、Inception、GoogleNet等。而且每个型号都有自己的特点。下图是Google的Codelab提供的各种图像分类模型的对比，其中选择了MobileNet模型。

　　MobileNet V1模型目前支持两种分辨率的图像，即128128和224224，但提供的训练程序会自动将传入的图像转换为指定的分辨率。

　　在终端接口中声明环境变量，即训练中要使用的模型和图像参数。在当前步骤中，我们选择使用MobileNet模型，训练图像分辨率为128*128。

　　IMAGE_SIZE=128

　　architecture=" mobilenet _ 1.0 _ katex解析错误：未定义的控制序列：\在位置630:…scripts . retrain\-瓶颈_di…{ARCHITECTURE} "

　　output _ graph=output/retrained _ graph _ 128 _ 0 _ 01 . Pb

　　output _ labels=output/retained _ labels _ 128 _ 0 _ 01 . txt

　　ARCHITECTURE= $ { ARCHITECTURE }

　　测试百分比=10

　　验证百分比=10

　　image _ dir=data

　　学习率=0.001

　　在执行训练后，程序会自动下载模型文件并进行训练，并且训练结束后在输出图目录下生成retrained _ graph _ 128 _ 0 _ 01.pb文件，在输出_标签目录下生成重新培训_标签_128_0_01.txt文件。

　　有两种评估训练结果的方式，一种是通过张量板查看训练过程中各个参数的值，一种是执行评估程序直接查看识别准确率。

　　切换到朱皮特界面，进入codelab/tmp/training _摘要目录，选择在当前目录下进入张量板界面。

　　张量板中的准确度_1的曲线图即为识别的准确率随着训练步数的增加的变化情况。

　　如果想直接查看最终的准确率，先编辑Codelab/scripts/evaluate.py文件，根据下面的提示找到并修改程序。

　　找到这段代码使用load_graph(graph_file_name).as _ default()as graph:ground _ truth _ input=TF。占位符(TF。float 32，[None，5]，name=GroundTruthInput )修改为这段代码使用load_graph(graph_file_name).as _ default()as graph:ground _ truth _ input=TF。占位符(TF。浮点32，[无，(替换为训练用标签的种类数)]，name= GroundTruthInput )--找到这段代码image _ dir= TF _ files/flower _ photos

　　修改为这段代码image_dir=data

　　-找到这段代码用tf .sess: for filename，ground_truth in zip(filenames，ground _ truth):image=image。打开(文件名).调整大小((224,224),图像。抗锯齿)修改为这段代码用tf .sess: for filename，ground_truth in zip(filenames，ground _ truth):image=image。打开(文件名).调整大小((128,128),图像。抗锯齿)切换到末端的界面，进入编码实验室目录，执行评估程序。

　　python 3m脚本。评估输出/rettrained _ graph _ 128 _ 0 _ 01。铅

　　输出值中准确即为训练的准确率。

　　调整学习率

　　决定最终识别率的因素有三种，一种是训练的模型，一种是数据集的完整性和干净性，另一种是训练的超参数的合理性。

　　超参数即不会在训练过程中随着训练的进行而发生变化的训练参数，在本编码实验室中，选择学习率为超参数并将其调整为0.1、0.001、0.0001、0.00001 再次训练。切换到末端的界面，进入编码实验室目录，选择不同的学习率开始训练。

　　学习率为0.1 时：

　　python3 -m脚本。再培训

　　瓶颈目录=tmp/瓶颈

　　多少训练步数=5000

　　型号_目录=型号

　　summaries _ dir=tmp/training _ summaries/ katex解析错误：未定义的控制序列：\在位置17:……建筑} \ -输出_gr…{ARCHITECTURE}

　　测试百分比=10

　　验证百分比=10

　　image _ dir=data

　　学习率=0.1

　　学习率为0.001 时：

　　python3 -m脚本。再培训

　　瓶颈目录=tmp/瓶颈

　　多少训练步数=5000

　　型号_目录=型号

　　summaries _ dir=tmp/training _ summaries/ katex解析错误：未定义的控制序列：\在位置17:……建筑} \ -输出_gr…{ARCHITECTURE}

　　测试百分比=10

　　验证百分比=10

　　image _ dir=data

　　学习率=0.001

　　学习率为0.0001 时：

　　python3 -m脚本。再培训

　　瓶颈目录=tmp/瓶颈

　　多少训练步数=5000

　　型号_目录=型号

　　summaries _ dir=tmp/training _ summaries/ katex解析错误：未定义的控制序列：\在位置17:……建筑} \ -输出_gr…{ARCHITECTURE}

　　测试百分比=10

　　验证百分比=10

　　image _ dir=data

　　学习率=0.0001

　　学习率为0.00001 时：

　　python3 -m脚本。再培训

　　瓶颈目录=tmp/瓶颈

　　多少训练步数=5000

　　型号_目录=型号

　　summaries _ dir=tmp/training _ summaries/ katex解析错误：未定义的控制序列：\在位置17:……建筑} \ -输出_gr…{ARCHITECTURE}

　　测试百分比=10

　　验证百分比=10

　　image _ dir=data

　　learning _ rate=0.00001

　　切换到末端的界面，进入编码实验室目录，执行评估程序。

　　python 3m脚本。评估输出/rettrained _ graph _ 128 _ 0 _ 1。铅

　　python 3m脚本。评估输出/rettrained _ graph _ 128 _ 0 _ 001。铅

　　python 3m脚本。评估输出/rettrained _ graph _ 128 _ 0 _ 0001。铅

　　python 3m脚本。评估输出/rettrained _ graph _ 128 _ 0 _ 00001。铅

　　输出值中准确即为训练的准确率。

　　调整训练分辨率

　　训练时所使用的图像分辨率也是训练的超参数之一，不同的分辨率同样会影响模型的训练结果。在学习率为0.01 的情况下，测试训练图像分辨率为224224 时的结果。

　　测试图像分辨率为224224*:

　　IMAGE_SIZE=224

　　ARCHITECTURE=" MobileNet _ 1.0 _ $ { IMAGE _ SIZE } "

　　python3 -m脚本。再培训

　　瓶颈目录=tmp/瓶颈

　　多少训练步数=5000

　　型号_目录=型号

　　summaries _ dir=tmp/training _ summaries/ katex解析错误：未定义的控制序列：\在位置17:……建筑} \ -输出图=…{建筑}

　　测试百分比=10

　　验证百分比=10

　　image _ dir=data

　　学习率=0.001

　　编辑Codelab/scripts/evaluate.py文件，根据下面的提示找到并修改程序。

　　找到这段代码用tf .sess: for filename，ground_truth in zip(filenames，ground _ truth):image=image。打开(文件名).调整大小((128,128),图像。抗锯齿)修改为这段代码用tf .sess: for filename，ground_truth in zip(filenames，ground _ truth):image=image。打开(文件名).调整大小((224,224),图像。抗锯齿)终端界面，进入编码实验室目录，执行评估程序。

　　python 3m脚本。评估输出/rettrained _ graph _ 224 _ 0 _ 01。铅

　　输出值中准确即为训练的准确率。

　　执行预测

　　在训练完成之后，可能结果会显示准确率100% ,貌似不太可信啊，我们可以使用另外的交通标志图片进行测试。

　　切换到朱皮特项目树界面，在编码实验室目录下新建名为试验的目录。从网上寻找对应的车标图片，放在试验目录下，这里寻找的照片不需要特别注意分辨率，测试程序中内置了统一分辨率的功能。

　　参考下面的程序执行在线测试，测试结果会显示在输出中，每次执行会选择目录中的一张图片预测。

　　图表表示训练后生成的铅文件所在的路径

　　图像表示要预测的图片所在的路径

　　python3 -m脚本。标签_图像

　　graph=output/retained _ graph _ 224 _ 0 _ 01。铅

　　标签=输出/保留_标签_ 224 _ 0 _ 01。文本文件（textfile）

　　输入高度=224

　　input _ width=224

　　图像=测试/图像。使用jpeg文件交换格式存储的编码图像文件扩展名

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。