基于卷积神经网络的交通标志识别

最新推荐文章于 2024-10-08 19:30:00 发布

x+x=2x

最新推荐文章于 2024-10-08 19:30:00 发布

阅读量4.1k

点赞数 6

分类专栏：深度学习文章标签： jupyter python

本文链接：https://blog.csdn.net/qq_45430594/article/details/121432187

版权

这篇博客介绍了一个基于卷积神经网络的交通标志识别系统。作者首先配置了Python环境，利用中国交通标志检测数据集，将数据分为训练集和测试集。接着，展示了数据加载过程，并详细设计了一个包含四层卷积的模型。模型经过训练，最终在测试集上达到了98.54%的最高准确率，验证了模型的有效性。

摘要由CSDN通过智能技术生成

1.环境配置

Python、Pytorch、Torchvision、Pandas、PIL等。

2.数据集

数据来源中国交通标志检测数据集，数据集包含58个类别的5998个交通标志图像。每个图像都是单个交通标志的缩放视图。选择90%数据作为训练数据，10%作为测试数据。

3.数据展示

下图为torchvision预处理后的图片，不是原图。
在这里插入图片描述

4.数据加载

加载数据需要继承Dataset父类，并且__getitem__()和__len__()两个方法必须要重写，getitem()方法是获取数据及数据标签，一次返回一张图片数据，len()方法是整个数据的长度，也就是图片的数量。最后通过DataLoader类加载。

class TrafficData(Dataset):
    
    def __init__(self, path, train=True):
        super(TrafficData, self).__init__()
        df = pd.read_csv(os.path.join(path, 'annotations.csv'))
        labels = df.category.tolist()
        image_files = df.file_name.tolist()
        self.path = path
        del df
        self.transform = torchvision.transforms.Compose([
                torchvision.transforms.Resize((128, 128)),
                torchvision.transforms.ToTensor(),
                torchvision.transforms.Normalize((0.1307), (0.3081))
            ])
        if train:
            self.image_files = image_files[:int(len(image_files)*0.9)]
            self.labels = labels[:int(len(image_files)*0.9)]
        else:
            self.image_files = image_files[int(len(image_files)*0.9):]
            self.labels = labels[int(len(image_files)*0.9):]
            
    def __getitem__(self, index):
        image = Image.open(os.path.join(self.path + '/images/', self.image_files[index]))
        return self.transform(image), self.labels[index]
    
    def __len__(self):
        return len(self.image_files)

train_loader = DataLoader(dataset=TrafficData('../input/chinese-traffic-signs', train=True), 
                          batch_size=32, shuffle=True, drop_last=True)
test_loader = DataLo