Да! вы меня прямо здесь Я обозначаю структуру PyTorch для классификации дорожных знаков, таких как парковка запрещена, раздавать, школа впереди, неровная дорога, остановка, горб, ограничение скорости и многие другие. Здесь мы поговорим о распознавании светофоров библиотекой машинного обучения PyTorch и его преимуществах. Давайте начнем:

Задумывались ли вы когда-нибудь о том, как Facebook справляется с оскорбительными и ненадлежащими фотографиями, которыми делятся несколько пользователей? Или опять же, как ярлыки Facebook выделяются на изображениях? Или опять же, как Google Lens воспринимает предметы через изображения?

Все вышеперечисленное - это примеры классификации изображений. Классификация изображений - типичное занятие в компьютерном зрении (CV), где мы классифицируем изображение, извлекая уроки из самого изображения.

Аналогичным образом, автоматическое распознавание дорожных знаков (TS) интеллектуальными транспортными средствами может повысить безопасность и повысить комфорт вождения. Мы также можем использовать эти системы для ремонта дорог.

Архитектура системы распознавания дорожных знаков состоит из четырех модулей: сбор изображений, классификатор и увеличение изображений, построение модели с передачей обучения и оценки.

Получение изображений: это часть сбора данных. Первоначально мы исследовали набор данных German Traffic Sign Recognition Benchmark (GTSRB), загрузили изображения с изменением их размера, а затем показывали изображения / отображали изображения сетки из всех папок с помощью OpenCV & Библиотеки Torchvision.

Классификатор и увеличение изображения: Затем мы определили 4 имени классификатора: Stop, уступить дорогу, приоритетная дорога и No entry с class_indices. Также зарезервировано 80% набора данных для обучения, 10% для проверки и 10% теста для каждого класса. Затем мы применили случайное изменение размера, поворот и горизонтальное отражение. Наконец, мы нормализуем тензоры, используя предустановленные значения для каждого канала. После применения преобразований нам также необходимо отменить нормализацию и изменить порядок цветовых каналов, чтобы получить правильные данные изображения.

Построение модели с трансферным обучением: мы будем использовать трансферное обучение, чтобы скопировать архитектуру очень популярной модели ResNet. Мы повторно используем почти все из трансферного обучения, за исключением изменения выходного слоя, потому что количество классов в нашем наборе данных другое, то есть 4: Стоп, Уступите дорогу, Приоритетная дорога и Запрет входа. Затем мы инкапсулируем обучающий набор данных с функциями, включая загрузчик данных, оптимизатор, функцию потерь. Мы начинаем с того, что переводим нашу модель в режим обучения и просматриваем данные. После получения прогнозов мы получаем класс с максимальной вероятностью вместе с потерями, поэтому мы можем рассчитать потери эпох и точность. Здесь мы использовали нет. эпох = 3, скорость обучения = 0,001 и оптимизатор: SGD. Мы много форматируем строки и записываем историю обучения. Все самое сложное делегируется предыдущим вспомогательным функциям. Нам также нужна лучшая модель, чтобы веса наиболее точных моделей сохранялись во время обучения. Затем мы использовали несколько графиков для визуализации.

Оценка: Затем мы видим несколько прогнозов дорожных знаков из тестового набора, который дал очень хороший результат. Затем мы используем отчет о классификации для расчета точности, отзыва и F1score. Приходит Magic, оценка 1. Это показывает, что наша модель идеальна, а не то, что вы видите каждый день! Правильно? Мы также проверяем нашу модель с невидимыми изображениями, результаты которых были довольно хорошими.

Преимущества: Здесь я также хочу поговорить о том, почему я использовал среду PyTorch специально, а не другую популярную среду, потому что PyTorch - лучшая в своем классе система искусственного интеллекта, поддерживаемая, в частности, в исследованиях благодаря удобству использования и динамической структуре диаграмм. Это упрощает изучение PyTorch по сравнению с другими популярными фреймворками, которые огромны, если вы специалист, создающий сложные модели. PyTorch также проще освоить ученикам в области ИИ по ранее упомянутым причинам.