人脸识别安全帽识别系统 TensorFlow

最新推荐文章于 2024-09-15 15:29:29 发布

住在古墓里的人

最新推荐文章于 2024-09-15 15:29:29 发布

阅读量21

点赞数

文章标签： tensorflow 人工智能 python 深度学习机器学习

人脸识别安全帽识别系统对于高危自然环境的工作中，对工作人员及是否佩戴安全帽开展全自动监管，工作人员超出规范化管理中要求的限制，人脸识别安全帽识别系统会全自动警报。人工智能算法盒子可以在风险地区和关键监管地区开展识别。当有工作人员进到风险地区和关键监管地区时，监控中心会自行传出报警，提示安全性工作人员立即前去相对安全的地区开展作业。

一般来说，一台机器上的多个GPU性能相似，所以在这种设置下跟多的是采用同步模式训练甚多学习模型。通过多GPU并行的方式固然可以达到很好的训练效果，但是一台机器上毕竟GPU的个数是有限的。如果需要记忆不提升深度学习模型的训练效果，就需要将TensorFlow分布式的运行在多台计算机上。

介绍了分布式TensorFlow训练甚多学习模型的理论。本小节将具体介绍如何使用TF在分布式集群中训练深度学习模型。TensorFlow集群通过一系列的任务（tasks）来执行TF计算图中的运算。一般来说，不同的任务跑在不同的机器上。当然，使用GPU时，不同任务可以使用用一太机器上的不同GPU。TF中的任务可以聚合成工作。每个工作可以包含一个或多个任务。当一个TF集群有多个任务的时候，需要使用tf.train.ClusterSpec来指定运行每一个人物的机器。

人脸识别安全帽识别系统 TensorFlow_深度学习

人脸识别安全帽识别系统根据图像识别技术识别作业人员的安全帽的配戴状况。当工作人员总数较多时，可以对员工的重复和一部分屏蔽掉。工作人员的各种姿势和视角有很高的识别精确性。减少施工工地工作人员的管理成本，提高效率。

import tensorflow as tf

c = tf.constant('Hello ,this is the server1!')

#生成一个有两个人物的集群，一个任务跑在本地的2222端口，另一个跑在本地的2223端口
cluster = tf.train.ClusterSpec({"local":['localhost:2998','localhost2999']})
#通过上面生成的集群配置生成Server。并通过job_name和task_index指定当前启动的任务。
server = tf.train.Server(cluster,job_name='local',task_index=0)
#通过server.target生成会话来使用来使用TF集群中的资源。通过log_device_placement可以看到执行每一个操作的任务
sess = tf.Session(server.target,config=tf.ConfigProto(log_device_placement = True))
print(sess.run(c))

import tensorflow as tf

c = tf.constant('Hello ,this is the server2!')
#和第一个任务一样的集群配置
cluster = tf.train.ClusterSpec({"local":['localhost:2998','localhost2999']})
#指定task_index = 1，所以第二个任务是运行在2999端口上
server = tf.train.Server(cluster,job_name='local',task_index=0)

sess = tf.Session(server.target,config=tf.ConfigProto(log_device_placement = True))
print(sess.run(c))