Đề Xuất 5/2022 # Nhận Diện Biển Báo Giao Thông Bằng Cnn & Keras # Top Like

Xem 38,709

Cập nhật nội dung chi tiết về Nhận Diện Biển Báo Giao Thông Bằng Cnn & Keras mới nhất ngày 25/05/2022 trên website Binhvinamphuong.com. Hy vọng thông tin trong bài viết sẽ đáp ứng được nhu cầu ngoài mong đợi của bạn, chúng tôi sẽ làm việc thường xuyên để cập nhật nội dung mới nhằm giúp bạn nhận được thông tin nhanh chóng và chính xác nhất. Cho đến nay, bài viết này đã thu hút được 38,709 lượt xem.

--- Bài mới hơn ---

  • Phân Loại Biển Báo Giao Thông Bằng Deep Learning (Cnn)
  • 450 Câu Hỏi Luật Giao Thông Đường Bộ: Đặc Điểm Của Biển Báo Nguy Hiểm
  • Quy Định Về Đặt Biển Báo Hạn Chế Tốc Độ Theo Quy Định Của Pháp Luật
  • Thẩm Quyền Đặt Biển Báo Tốc Độ Theo Quy Định?
  • Biển Báo Giao Thông Số 202
  • Thế Nào Là Nhận Diện Biển Báo Giao Thông

    Có rất nhiều loại biển báo giao thông khác nhau như biển báo giới hạn tốc độ, biển cấm đi vào, tín hiệu giao thông, rẽ trái hoặc phải, trẻ em băng qua đường, cấm xe nặng vượt qua, v.v. Nhận diện biển báo giao thông là quá trình nhận biết nội dung biến báo và xác định biển báo đó thuộc loại nào.

    Giới Thiệu Về Project

    Nội Dung Chính

    Tập Dữ Liệu Sử Dụng

    Chúng ta sẽ sử dụng tập dữ liệu công khai có sẵn tại kaggle. Tải xuống tập dữ liệu Traffic Signs Dataset.

    Tập dữ liệu chứa hơn 50.000 hình ảnh về các biển báo giao thông khác nhau, nó được phân loại thành 43 lớp. Dữ liệu phân chia khá là không đồng đều, một số lớp có rất nhiều hình ảnh trong khi một số lớp lại có rất ít. Tập dữ liệu có một thư mục train chứa các hình ảnh bên trong mỗi lớp và một thư mục test chứa các hình ảnh dùng để thử nghiệm mô hình.

    Yêu Cầu Của Project

    Để thực hiện project này yêu cầu bạn cần có kiến thức về Keras, Matplotlib, Scikit-learning, Pandas, PIL và phân loại hình ảnh.

    Xây Dựng Mô Hình

    Chúng ta sẽ thực hiện project này với 4 bước sau:

    • Khám phá tập dữ liệu
    • Xây dựng mô hình CNN
    • Training và xác thực
    • Kiểm tra mô hình với bộ dữ liệu test set

    Bước 1: Khám phá tập dữ liệu

    Thư mục train có chưa 43 thư mục con mỗi thư mục đại diện cho một lớp khác nhau được đánh số thứ tự từ 0 đến 42. sử dụng module OS ta sẽ lặp lại trên tất cả các lớp để kết nối các hình ảnh với nhãn tương ứng của chúng.

    Thư viện PIL được sử dụng để chuyển hình ảnh thành một mảng.

    Sau đó ta sẽ lưu tất cả các hình ảnh và nhãn của chúng vào lists data và labels.

    Chúng ta cần chuyển các lists thành các numpy array để làm đầu vào cho model.

    Kích thước của dữ liệu là (39209, 30, 30, 3), có nghĩa là có 39209 hình ảnh, mỗi ảnh có kích thước 30×30 pixel, số 3 ở cuối thể hiện dữ liệu là hình ảnh màu (giá trị RGB).

    Sử dụng phương thức train_test_split () của sklearn để phân chia bộ dữ liệu thành train set và test set.

    Sử dụng phương thức to_categorical của keras.utils để xử lý các nhãn của y_train và y_test bằng one-hot encoding.

    Bước 3: training và xác thực mô hình

    Sau khi xây dựng kiến ​​trúc mô hình, chúng ta sẽ huấn luyện mô hình bằng cách sử dụng chúng tôi (). Chúng ta hãy thử với batch size là 32 và 64. nhận thấy mô hình hoạt động tốt hơn với batch size là 64. và sau 15 epochs độ chính xác đã được ổn định.

    Bước 4: Kiểm tra mô hình với test set

    Tập dữ liệu của chúng ta có chứa 1 thư mục test và 1 file chúng tôi Chúng ta cần phải trích xuất hình ảnh và nhãn tương ứng bằng cách sử dụng pandas. Sau đó, để dự đoán mô hình, chúng ta phải thay đổi kích thước hình ảnh thành 30 × 30 pixel và tạo một mảng numpy chứa tất cả dữ liệu hình ảnh. Sử dụng pcision_score của sklearn.metrics để dự đoán các nhãn của bộ test. Có thể thấy ta đã đạt được độ chính xác là 95% trong mô hình này.

    Thiết Kế Giao Diện Người Dùng (GUI)

    Trong đoạn code này, trước tiên ta phải import mô hình đã được training từ trước là “traffic_classifier.h5” . Và sau đó, xây dựng GUI để upload hình ảnh và một nút để gọi hàm classify(). Hàm classify() chuyển đổi hình ảnh thành kích thước (1, 30, 30, 3). Sau đó, chúng ta dự đoán các lớp, model.pdict_classes(image) trả về cho chúng ta một số trong khoảng (0-42) đại diện cho lớp mà nó thuộc về.

    --- Bài cũ hơn ---

  • 600 Câu Hỏi & Đáp Án Lý Thuyết Sát Hạch Lái Xe Ô Tô
  • Biển Báo Cấm: Hình Ảnh, Ý Nghĩa Và Mức Phạt Vi Phạm
  • Lái Xe Rẽ Phải Ở Nơi Có Biển Báo Cấm Rẽ Bị Xử Phạt Như Thế Nào
  • Cấm Giờ Xe Tải Tp Biên Hòa
  • Cấm Xe Tải Trọng Lớn Lưu Thông Vào Giờ Cao Điểm Là Phù Hợp
  • Bạn đang đọc nội dung bài viết Nhận Diện Biển Báo Giao Thông Bằng Cnn & Keras trên website Binhvinamphuong.com. Hy vọng một phần nào đó những thông tin mà chúng tôi đã cung cấp là rất hữu ích với bạn. Nếu nội dung bài viết hay, ý nghĩa bạn hãy chia sẻ với bạn bè của mình và luôn theo dõi, ủng hộ chúng tôi để cập nhật những thông tin mới nhất. Chúc bạn một ngày tốt lành!

  • Web hay
  • Links hay
  • Push
  • Chủ đề top 10
  • Chủ đề top 20
  • Chủ đề top 30
  • Chủ đề top 40
  • Chủ đề top 50
  • Chủ đề top 60
  • Chủ đề top 70
  • Chủ đề top 80
  • Chủ đề top 90
  • Chủ đề top 100
  • Bài viết top 10
  • Bài viết top 20
  • Bài viết top 30
  • Bài viết top 40
  • Bài viết top 50
  • Bài viết top 60
  • Bài viết top 70
  • Bài viết top 80
  • Bài viết top 90
  • Bài viết top 100