python model如何获取分类错误的数据_使用CNN和Keras进行95％准确度的交通标志识别的Python项目

Python项目–交通标志识别

您一定已经听说过自动驾驶汽车，乘客可以在其中完全依靠汽车行驶。但是要实现5级自动驾驶，车辆必须了解并遵守所有交通规则。

在人工智能和技术进步的世界中，许多研究人员和大公司，例如特斯拉，优步，谷歌，奔驰，丰田，福特，奥迪等，都在研究自动驾驶汽车和无人驾驶汽车。因此，为了实现该技术的准确性，车辆应该能够分辨交通标志并做出相应的决策。

什么是交通标志识别？

有几种不同类型的交通标志，例如限速，禁止进入，交通信号，左转或右转，行人横穿，重型车辆无法通过等。交通标志分类是识别交通标志属于哪个类别的过程。

交通标志识别–关于Python项目

在这个Python项目示例中，我们将构建一个深度神经网络模型，该模型可以将图像中出现的交通标志分类为不同的类别。通过这种模型，我们能够分辨和分析交通标志，这对于所有自动驾驶汽车都是非常重要的任务。

Python项目的数据集

对于此项目，我们使用Kaggle上可用的公共数据集：

(https://www.kaggle.com/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign)

数据集包含50,000多种不同交通标志的图像。它进一步分为43个不同的类别。数据集变化很大，有些类别的图像很多，而有些类别的图像很少。数据集的大小约为300 MB。数据集有一个train文件夹，其中包含每个类中的图像；还有一个test文件夹，我们将使用它来测试模型。

先决条件

该项目需要具备Keras，Matplotlib，Scikit-learn，Pandas，PIL和图像分类的先验知识。

要安装用于此Python数据科学项目的必要库，请在终端中输入以下命令：

pip install tensorflow keras sklearn matplotlib  pandas pillow

生成Python项目的步骤

创建一个Python脚本文件，并在项目文件夹中将其命名为traffic_signs.py。

我们分四个步骤讨论了我们建立交通标志分类模型的方法：

• 探索数据集
• 建立CNN模型
• 训练并验证模型
• 用测试数据集测试模型

步骤1：探索数据集

我们的“train”文件夹包含43个文件夹，每个文件夹代表一个不同的类别。文件夹的范围是0到42。在OS模块的帮助下，我们遍历所有类，并将图像及其各自的标签附加到数据和标签列表中。

PIL库用于将图像内容打开到数组中。

最后，我们将所有图像及其标签存储到列表(数据和标签)中。

我们需要将列表转换为numpy数组，以便提供给模型。

数据的形状为(39209、30、30、3)，这意味着有39,209张图像的尺寸为30×30像素，最后的3意味着数据包含彩色图像(RGB值)。

通过sklearn库，我们使用train_test_split()方法来拆分训练和测试数据。

从keras.utils库中，我们使用to_categorical方法将y_train和t_test中存在的标签转换为独热编码。

步骤2：建立CNN模型

为了将图像分类为各自的类别，我们将建立一个CNN模型(卷积神经网络)。CNN最适合用于图像分类。

我们模