Traffic Signs Recognition with 95% Accuracy using CNN&Keras

阿里云国内75折回扣微信号：monov8

阿里云国际，腾讯云国际，低至75折。AWS 93折免费开户实名账号代冲值优惠多多微信号：monov8 飞机：@monov6

Traffic Signs Recognition

导读
本文采用CNN模型和Keras库
使用GTSRB数据集
构建模型可以分为四部分1、先探索数据集 2、构建CNN模型 3、训练和验证模型 4、使用测试数据测试模型
保存模型并使用Python自带包tkinter实现GUI

一、数据集

在这里插入图片描述
下载完数据后可以看出在Train文件夹中包含43个文件夹序号从0到42每个文件夹代表不同的类。

载入所需要的库

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt
import cv2
import tensorflow as tf
from PIL import Image
import os
from sklearn.model_selection import train_test_split
from keras.utils import to_categorical
from keras.models import Sequential, load_model
from keras.layers import Conv2D, MaxPool2D, Dense, Flatten, Dropout

如果在导入包的时候有报错可以参考我之前发的几篇

开始探索数据集
关于遍历文件夹还有很多写法这里就不一一举例了

data = []
labels = []
classes = 43  #共有43个文件夹
cur_path = os.getcwd()
for i in range(classes):
    path = os.path.join(cur_path,'Train',str(i))
    images = os.listdir(path)
    for a in images: # 迭代
        try:
            image = Image.open(path + '/'+ a)  #因为在macos上采用'/',windows改成'//'
            image = image.resize((30,30))
            image = np.array(image)
            #sim = Image.fromarray(image)
            data.append(image)
            labels.append(i)
        except:
            print("Error loading image")
#Converting lists into numpy arrays
data = np.array(data)
labels = np.array(labels)
print(data.shape, labels.shape)

在这里插入图片描述
数据的形状是39209、30、30、3这意味着有39,209张尺寸为30×30像素的图像最后的3表示数据包含彩色图像RGB值。

然后开始分割数据集

X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42)
print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)

在这里插入图片描述
将y_train和t_test 进行one-hot encoding

二、开始构造CNN模型

model = Sequential()
model.add(Conv2D(filters=32, kernel_size=(5,5), activation='relu', input_shape=X_train.shape[1:]))
model.add(Conv2D(filters=32, kernel_size=(5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.25))
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.25))
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(rate=0.5))
model.add(Dense(43, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

使用Adam优化器编译模型该优化器性能良好损失为“categorical_crossentropy”因为有多个类要分类。

三、开始训练模型

可以选用batch_size=64或者3264拟合效果好一点
在这里插入图片描述
可以看出epochs=10轮以后开始稳定模型在训练数据集上获得了98%的精度。使用matplotlib我们绘制图表的准确性和损失。

四、使用测试数据测试模型

数据集中包含一个测试文件夹在Test.csv文件中有与图像路径及其各自的类标签相关的详细信息。使用pandas提取图像路径和标签。然后为了预测模型必须将图像大小调整为30×30像素并制作一个包含所有图像数据的数字数组。从sklearn.metrics中,导入accuracy_score并观察了模型如何预测实际标签。在这个模型中实现了96%的精度。
在这里插入图片描述

保存模型以便后续GUI做准备

在这里插入图片描述

五、Traffic Signs Classifier GUI

使用Tkinter将交通标志分类器构建成一个图形用户界面。Tkinter是标准python库中的GUI工具包。首先使用Keras加载了训练有素的模型“my_model.h5”然后构建用于上传图像的GUI并使用一个按钮进行分类该按钮调用classify()函数。classify()函数正在将图像转换为形状的维度1、30、30、3。这是因为为了预测交通标志必须提供与构建模型时相同的维度。
在这里插入图片描述