【项目实训】项目工作日志（一）

最新推荐文章于 2024-09-26 11:55:47 发布

弈yi

最新推荐文章于 2024-09-26 11:55:47 发布

阅读量484

点赞数 5

文章标签： python

本文链接：https://blog.csdn.net/weixin_44458022/article/details/139333405

版权

项目工作日志（一）

引言

百度智慧交通组创意赛，本项目旨在构建一个高效的手写字体识别系统，帮助智能汽车识别低分辨率的手写字体图像。本日志记录了数据采集与数据标记的过程，这是整个项目的关键第一步。

数据集描述

本次比赛的训练数据集包含122,387张低分辨率手写字体图片。数据和标注集通过 train_label.txt 文件链接，单行标注示例如下：

train/mg_crop_217514.jpg A.a(1+p)²

图片路径与标注内容通过 \t 分隔。

数据采集

为了训练一个高效的手写字体识别模型，我们进行了以下数据采集工作：

手动拍照采集：
使用 collect_wrap/base/collect_data.py 脚本，通过电脑摄像头进行拍照采集。按 p、s 或空格键进行拍照记录，按 Esc 或 q 键退出，数据保存至 image_set2 文件夹。
遥控器采集：
使用 collect_wrap/base/remote_control.py 进行道路数据采集，通过遥控器控制车模移动并记录手写字体图像。左摇杆控制车模前后左右移动，右摇杆控制转弯。按下左前功能键开始记录数据，数据存储在 image_set1 文件夹内。

数据标记

数据标记是确保模型训练质量的关键步骤。我们采用了以下方法：

EasyData 数据标记：
使用 EasyData 工具进行智能标注。其流程包括：
- 导入未标注数据：从本地上传图片文件。
- 图像智能标注：通过主动学习或指定模型的方式进行智能标注，主动学习基于数据集训练模型，通过筛选关键图片提高标注效率；指定模型则利用现有模型进行快速标注。
- 人工确认与评估：对预标注结果进行人工确认，并评估标注效果。
本地数据处理：
推荐使用 X-AnyLabeling 工具进行半自动标记。具体步骤如下：
- 打开图片文件目录，建立 annotations 目录用于存储标记结果。
- 加载自定义模型（如 seg 模型），用于自动分割。
- 使用矩形框标记图像，按下 F 键保存结果。
- 标注完成后导出为 VOC 标签格式，得到标注的数据文件。

代码示例

在数据处理过程中，我们使用了以下代码进行数据采集和处理：

# train_data_process.py 示例代码
import os
import cv2
import time

def collect_data():
    cap = cv2.VideoCapture(0)
    while cap.isOpened():
        ret, frame = cap.read()
        if ret:
            cv2.imshow('frame', frame)
            key = cv2.waitKey(1)
            if key in [ord('p'), ord('s')]:
                cv2.imwrite(os.path.join('image_set2', f'image_{int(time.time())}.jpg'), frame)
            elif key in [27, ord('q')]:
                break
        else:
            break
    cap.release()
    cv2.destroyAllWindows()

def main():
    collect_data()

if __name__ == '__main__':
    main()