AI GPS实景识别

看代码吧，很详细了

1.GPS_Model.py

"""
    生成训练模型
"""
import tensorflow as tf

# 定义模型
class GPSNet(object):
    def __init__(self):
        self.layer = tf.keras.layers  # 此时定义一个空壳
        self.models = tf.keras.models  # 准备一个空的模型
        self.input_shape = (32, 32, 3)
        self.classes = 21
        self.model = self.GPS_Net()

    def GPS_Net(self):
        # 定义输入节点 创建输入层
        # 指定输入shape为 32 x 32的一个大小，而且 颜色rgb为3个通道
        img_input = self.layer.Input(shape=self.input_shape)
        # 填充入卷积层
        x = self.layer.Conv2D(64,  # 64个卷积来扫描图片
                              (5, 5),  # 卷积尺寸为5 x 5
                              activation='relu',  # 设置relu激活函数来加快训练速度和克服梯度消失
                              padding='valid',  # 设置填充方式为有效填充
                              name='conv1')(img_input)  # 传入图片模型
        # 填充入BN层 类似池化层，可以进行泛化和提高拟合
        x = self.layer.BatchNormalization()(x)
        # 填充池化层  把输入的尺寸变小降低计算，调高效率，提高抗拟合
        x = self.layer.AveragePooling2D()(x)
        # 开始循环扩充神经网络。
        x = self.layer.Conv2D(256, (3, 3), activation='relu', padding='valid', name='conv1')(img_input)
        x = self.layer.AveragePooling2D()(x)
        x = self.layer.Conv2D(128, (3, 3), activation='relu', padding='valid', name='conv1')(img_input)
        x = self.layer.BatchNormalization()(x)
        x = self.layer.AveragePooling2D()(x)
        # 将层拉平  将二维数据转化为一维
        x = self.layer.Flatten()(x)
        # 指定两个全连接层
        x = self.layer.Dense(512, activation='relu', name='fc1')(x)
        x = self.layer.BatchNormalization()(x)
        x = self.layer.Dense(128, activation='relu', name='fc2')(x)
        x = self.layer.BatchNormalization()(x)
        # 指定输出层  激活函数softmax将多个神经元的输出，映射到（0,1）区间内。 uc_merced分类数为21
        x = self.layer.Dense(self.classes, activation='softmax', name='predictions')(x)
        inputs, outputs = img_input, x
        # 指定输入和输出生成训练模型
        return self.models.Model(inputs, outputs, name='GPS_Net')

2.GPSAugment.py

"""
    数据增强
"""
import tensorflow as tf
import numpy as np


# 数据增强
def tf_rotate(img):
    """
    TensorFlow对图像进行随机旋转
    :param img: 图像输入
    :return: 旋转后的图像
    """
    angle = np.random.choice(['up_down' 'up_down_left_right', 'left_right', 'none'])
    print(angle)
    if angle == 'up_down':
        img = tf.image.flip_up_down(img)
    elif angle == 'up_down_left_right':
        # 水平垂直翻转
        img = tf.image.flip_left_right(img)
        img = tf.image.flip_up_down(img)
    elif angle == 'left_right':
        # 水平翻转
        img = tf.image.flip_left_right(img)
    elif angle == 'none':
        pass
    return img


# 进行数据标准化
def convert(image, label):
    image = tf.image.convert_image_dtype(image, tf.float32)
    image = tf.image.resize(image, size=[32, 32])  # 强制图片大小到统一格式
    return image, label


# 数据增强
def augment(image, label):
    image, label = convert(image, label)
    image = tf_rotate(image)
    # 图片的明暗度
    image = tf.image.random_brightness(image, max_delta=0.5)  # Random brightness
    # 随机设置图片的对比度
    image = tf.image.random_contrast(image, lower=0.2, upper=1.8)
    # 随机设置图片的色度
    image = tf.image.random_hue(image, max_delta=0.3)
    # 随机设置图片的饱和度
    image = tf.image.random_saturation(image, lower=0.2, upper=1.8)
    return image, label

3.GPSModelTrain.py

"""
    模型训练
"""
import tensorflow_datasets as tfds
import time
import os
import tensorflow as tf
from GPSAugment import augment
from GPS_Model import GPSNet

GPS = GPSNet()
model = GPS.model
# 首先记录模型训练日志
base_dir = os.path.abspath(os.path.dirname(__file__)) + os.sep
log_dir = base_dir + 'logs'
# 训练结构命令 tensorboard --logdir=path
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)

raw_train, metadata = tfds.load(
    'uc_merced',  # 指定tfds数据集名称
    split=['train'],  # 指定为训练数据
    with_info=True,  # 这个参数指定输出为tuple的形式返回(tf.data.Dataset, tfds.core.DatasetInfo)
    as_supervised=True,  # 此参数指定以tuple的形式返回（input,label）
    shuffle_files=True,  # 对数据进行随机打乱
    data_dir=base_dir + 'tensorflow_datasets'
)

# 指定一次训练数据为16个
BATCH_SIZE = 16
# 设定缓存
SHUFFLE_BUFFER_SIZE = 2520
# 从训练集里读取随机数据
train_batches = raw_train[0].shuffle(SHUFFLE_BUFFER_SIZE,  # 每次读取16个
                                     # 是否按顺序执行随机排序，保证每一次随机都能将图片信息全部读取一遍
                                     reshuffle_each_iteration=True
                                     ).map(augment).batch(BATCH_SIZE).prefetch(tf.data.experimental.AUTOTUNE)
# 对模型进行训练
model.compile(
    # 指定学习策略<优化器>  Adam学习策略。 根据惯性和参数变化寻找到最优点
    optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
    # 指定损失函数  交叉熵损失函数
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    # 训练的时候打印正确信息
    metrics=['accuracy']
)

# 训练数据
model.fit(
    train_batches,
    # 指定需要训练几个阶段
    epochs=50,
    # 回调可视化
    callbacks=[tensorboard_callback]
)

# 保存数据
keras_file = base_dir + time.strftime("%Y-%m-%d-%H_%M_%S", time.localtime()) + '-test.h5'
tf.keras.models.save_model(model=model,
                           filepath=keras_file,
                           # If True, 和优化器的状态一起保存，这里设置False
                           include_optimizer=False)

4.GPSTest.py

"""
    数据测试
"""
import numpy as np
import tensorflow_datasets as tfds  # 这个是之前说过的Tensorflow Datasets
import os
import matplotlib.pyplot as plt
from GPSAugment import convert
from GPS_Model import GPSNet

GPS = GPSNet()
model = GPS.model

raw_train, metadata = tfds.load(
    'uc_merced',
    split=['train'],
    with_info=True,
    as_supervised=True,
    shuffle_files=True,
    data_dir=os.path.abspath(os.path.dirname(__file__)) + os.sep + 'tensorflow_datasets')

# 加载保存的模型
model.load_weights(os.path.abspath(os.path.dirname(__file__)) + os.sep + "2020-11-04-13_01_15-test.h5")

# 训练后的模型预测展示
get_label_name = metadata.features['label'].int2str

# 测试阶段
for image, label in raw_train[0].take(20):
    image, labels = convert(image, label)  # 将图片标准化
    predict = np.argmax(model.predict(np.expand_dims(image, axis=0)))  # 预测
    # 画图
    plt.figure()
    plt.imshow(image)
    plt.title(get_label_name(predict))
    plt.show()