python识别⿇将牌_图像识别之⿇将识别源码（三）
图像识别之⿇将识别源码( 三 )
未经过允许不得转载，转载请联系我，如何联系，点我头像。
连载已经完结,
抖音python入门教程百度⽹盘测试APP下载地址：
提取码：pkbl
先见效果图，另外我已经上传到了抖⾳视频，想看NB效果，可以点击链接直接观看：
本⼈从事机器学习有⼀些时间，感觉与⼀般做APP应⽤也没有啥差别，现在每天就是准备样本 ，调整参数，训练，验证结果。可能是我还没有达到哪些教授的⽔平能设计神经⽹络吧，感觉也就是⼀般马龙该做的杂七杂⼋事情。另外我更加关注移动设备AI的实现与效果，体验⼀样重要，识别的速度要快！
接下来的博客开始记录我研究过程，过程是：采集样本->标注->训练->测试。
上⼀期讲了如何进⾏标注，本期将开始训练。evaluate的固定搭配
本次使⽤的是⾕歌云平台训练，实际上就是⼀个ubuntu 系统，不过现在有免费的300美⾦使⽤。部署好服务器后。将训练的⽂件上传到云服务器。需要的⽂件有这些。
然后执⾏训练
python object_detection/model_main.py --model_dir=/home/softboyes/digeai/majiang/training --
pipeline_config_path=/home/softboyes/digeai/majiang/ssd_mobilenet_fig
由于我使⽤的8cpu+20G内存 训练36⼩时训练了34k 步法。
通过tensorboard观察，loss效果不太理想打算训练到60k。
下载后导出模型：
python object_detection/export_inference_graph.py --input_type image_tensor --pipeline_config_path
E:/AI_LAB/majiang/gitdata/ssd_mobilenet_fig --trained_checkpoint_prefix
E:/AI_LAB/majiang/gitdata/out/model.ckpt-24720 --output_directory E:/AI_LAB/majiang/gitdata/expor
implement和extendt2
导出后模型如下：并写下测试test.py
importosimportsysimporttarfileimportcv2importnumpyasnpimporttensorflowastfsys.path.append("..")fromobject_detection.util Path to frozen detection graphCWD_PATH = os.getcwd()PATH_TO_CKPT =
os.path.join(CWD_PATH,'frozen_inference_graph.pb')# List of the strings that is used to add correct label for each
box.PATH_TO_LABELS = os.path.join(CWD_PATH,'labelmap.pbtxt')NUM_CLASSES =28detection_graph =
tf.Graph()withdetection_graph.as_default(): od_graph_def = tf.GraphDef()withtf.gfile.GFile(PATH_TO_CKPT,'rb')asfid: serialized_graph = ad() od_graph_def.ParseFromString(serialized_graph) tf.import_graph_def(od_graph_def, name='')label_map = label_map_util.load_labelmap(PATH_TO_LABELS)categories =
label_vert_label_map_to_categories(label_map, max_num_classes=NUM_CLASSES,
use_display_name=True)category_index =
label_ate_category_index(categories)defload_image_into_numpy_array(image):(im_width, im_height) =
image.sizereturnnp.data()).reshape( (im_height,
im_width,3)).astype(np.uint8)withdetection_graph.as_default():withtf.Session(graph=detection_graph)assess: image_np
= cv2.imread("test.jpg") cv2.imshow("input=", image_np) print(image_np.shape)# image_np == [1, None, None,
3]image_np_expanded = np.expand_dims(image_np, axis=0) image_tensor =
_tensor_by_name('image_tensor:0') boxes =
_tensor_by_name('detection_boxes:0') scores =
玳瑁是什么_tensor_by_name('detection_scores:0') classes =
_tensor_by_name('detection_classes:0') num_detections =
_tensor_by_name('num_detections:0')# Actual detection.(boxes, scores, classes, num_detections) =
sess.run( [boxes, scores, classes, num_detections], feed_dict={image_tensor: image_np_expanded})# Visualization of the results of a detection.vis_util.visualize_boxes_and_labels_on_image_array( image_np,
np.squeeze(boxes), np.squeeze(classes).astype(np.int32), np.squeeze(scores), category_index,
use_normalized_coordinates=True, min_score_thresh=0.4, line_thickness=3) cv2.imshow('object detection', image_np) cv2.imwrite("run_result.png", image_np) cv2.waitKey(0)
cv2.destroyAllWindows()sess.close()
测试模型，发现效果还算理想。接下来往安卓设备上⾯迁移。
迁移需要的问题： frozen_inference_graph.pb labelmap.pbtxt
intellectual什么意思拷贝到TensorFlow demo⾥⾯assert ⽂件夹。修改 DetectorActivity
修改后：
privatestaticfinalString TF_OD_API_MODEL_FILE ="file:///android_asset/frozen_inference_graph.pb";privatestaticfinalString TF_OD_API_LABELS_FILE ="file:///android_";
然后⽤Android studio编译⽣成APK，然后安装到安卓⼿机。
容器类别p或g下⼀章讲安卓⼿机效果与训练⼼得以及样本要求。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论