百度信息流平台,郑州seo公司,好网站具备条件,理解电子商务网站建设与管理目录 前言总体设计系统整体结构图系统流程图 运行环境模块实现1. 数据预处理2. 模型构建3. 模型训练及保存1#xff09;模型训练2#xff09;模型保存 4. 模型生成1#xff09;模型导入及调用2#xff09;相关代码#xff08;1#xff09;布局文件#xff08;2#xff… 目录 前言总体设计系统整体结构图系统流程图 运行环境模块实现1. 数据预处理2. 模型构建3. 模型训练及保存1模型训练2模型保存 4. 模型生成1模型导入及调用2相关代码1布局文件2主活动类 相关其它博客工程源代码下载其它资料下载 前言 本项目采用VGG-16网络模型使用Kaggle开源数据集旨在提取图片中的用户特征最终在移动端实现对不良驾驶行为的识别功能。 首先通过使用VGG-16网络模型本项目能够深入学习和理解驾驶场景图像中的特征。VGG-16是一种深度卷积神经网络特别适用于图像识别任务通过多层次的卷积和池化层能够有效地提取图像中的抽象特征。 其次项目利用Kaggle提供的开源数据集包括各种驾驶场景图像覆盖了不同的驾驶行为和条件。这样的数据集是训练模型所需的关键资源。 接下来利用训练好的VGG-16模型项目提取图像中的用户特征。包括驾驶行为的姿势、眼神、手部动作等方面的特征有助于判断是否存在不良驾驶行为。 最后通过在移动端实现这个模型可以将不良驾驶行为的识别功能直接部署到车辆或驾驶辅助系统中。这种实时的、移动端的识别方案有望在驾驶安全和监管方面发挥积极的作用。 总的来说项目结合了深度学习、图像处理和移动端技术致力于实现对不良驾驶行为的智能化识别为提升驾驶安全提供了一种创新的解决方案。 总体设计 本部分包括系统整体结构图和系统流程图。 系统整体结构图 系统整体结构如图所示。 系统流程图 系统流程如图所示。 VGG-16网络架构如图所示。 运行环境 本部分包括Python环境、TensorFlow环境、Pycharm环境和Android环境。 详见博客。 模块实现 本项目包括4个模块数据预处理、模型构建、模型训练及保存、模型生成。下面分别给出各模块的功能介绍及相关代码。 1. 数据预处理 本部分包括数据集来源、内容和预处理。 详见博客。 2. 模型构建 数据加载进模型之后需要定义模型结构并优化损失函数。 详见博客。 3. 模型训练及保存 在定义模型架构和编译后通过训练集训练使模型可以识别数据集中图像的特征。 1模型训练 模型训练相关代码如下 train_generator train_datagen.flow_from_directory(train_data_dir, target_size(img_height, img_width), batch_size32, class_modecategorical) #读取训练集 validation_generator train_datagen.flow_from_directory(validation_data_dir, target_size(img_height, img_width), batch_size32, class_modecategorical) #读取验证集 model.fit_generator(train_generator, samples_per_epochnb_train_samples, epochsnb_epoch, validation_datavalidation_generator, nb_val_samplesnb_validation_samples) #训练模型 model.save(modelweights.h5) #保存模型及权重2模型保存 上述由Keras库生成的模型及权重文件为.h5格式为了能够被Android程序读取需要将.h5文件转换为.pb格式的文件模型被保存后可以被重用也可以移植到其他环境中使用。 def h5_to_pb(h5_model, output_dir, model_name, out_prefixoutput_, log_tensorboardTrue):#.h5模型文件转换成.pb模型文件if os.path.exists(output_dir) False:os.mkdir(output_dir)out_nodes []for i in range(len(h5_model.outputs)):out_nodes.append(out_prefix str(i 1))tf.identity(h5_model.output[i], out_prefix str(i 1))sess backend.get_session()from tensorflow.python.framework import graph_util, graph_io#写入.pb模型文件init_graph sess.graph.as_graph_def()main_graph graph_util.convert_variables_to_constants(sess, init_graph, out_nodes)graph_io.write_graph(main_graph, output_dir, namemodel_name, as_textFalse)#输出日志文件if log_tensorboard:from tensorflow.python.tools import import_pb_to_tensorboardimport_pb_to_tensorboard.import_to_tensorboard(os.path.join(output_dir, model_name), output_dir)4. 模型生成 将图片转化为数据输入TensorFlow的模型中并获取输出。 1模型导入及调用 本部分包括模型导入及调用的操作方法。 a. 编写代码进行实际预测之前,需要将转换后的模型添加到应用程序的资源文件夹中。在Android Studio中,鼠标右键项目,跳转至Add Folder(添加文件夹)部分,并选择AssetsFolder(资源文件夹)。在应用程序目录中创建一个资源文件夹,将模型复制到其中,如图所示。 b. 将新的Java类添加到项目的主程序包中并命名为ImageUtilsImageUtils为图片工具类,可用于Bitmap、byte、array、Drawable图片类型之间进行转换以及缩放。 相关代码如下 package com.example.doremi.testkeras2tensorflow; import android.content.res.AssetManager; import android.graphics.Bitmap; import android.graphics.Canvas; import android.graphics.Matrix; import android.os.Environment; import java.io.File; import java.io.FileOutputStream; import java.io.InputStream; import org.json.*; //用于处理图像的实用程序类 public class ImageUtils {/**返回转换矩阵,处理裁切如果需要保持宽高比和旋转*参数srcWidth为源帧的宽度*参数srcHeight为源帧的高度*参数dstWidth为目标帧的宽度*参数dstHeight为目标帧的高度*参数applyRotation为旋转的角度为90°的整数倍*参数maintainAspectRatio为是否维持缩放比例*返回满足所需要求的转换*/public static Matrix getTransformationMatrix(final int srcWidth,final int srcHeight,final int dstWidth,final int dstHeight,final int applyRotation,final boolean maintainAspectRatio) {final Matrix matrix new Matrix();if (applyRotation ! 0) {//进行平移使图像中心在原点matrix.postTranslate(-srcWidth / 2.0f, -srcHeight / 2.0f);//绕原点旋转matrix.postRotate(applyRotation);}//考虑已经应用的旋转如果有然后确定每个轴需要多少缩放。final boolean transpose (Math.abs(applyRotation) 90) % 180 0;final int inWidth transpose ? srcHeight : srcWidth;final int inHeight transpose ? srcWidth : srcHeight;//必要时应用缩放if (inWidth ! dstWidth || inHeight ! dstHeight) {final float scaleFactorX dstWidth / (float) inWidth;final float scaleFactorY dstHeight / (float) inHeight;if (maintainAspectRatio) {//按最小比例缩放以便在保持宽高比的同时完全填充某些图像可能会截掉边缘final float scaleFactor Math.max(scaleFactorX, scaleFactorY);matrix.postScale(scaleFactor, scaleFactor);} else {//精确缩放matrix.postScale(scaleFactorX, scaleFactorY);}}if (applyRotation ! 0) {//从以原点为中心的参考转换回目标帧matrix.postTranslate(dstWidth / 2.0f, dstHeight / 2.0f);}return matrix;}public static Bitmap processBitmap(Bitmap source,int size){int image_height source.getHeight();int image_width source.getWidth();Bitmap croppedBitmap Bitmap.createBitmap(size, size, Bitmap.Config.ARGB_8888);Matrix frameToCropTransformations getTransformationMatrix(image_width,image_height,size,size,0,false);Matrix cropToFrameTransformations new Matrix();frameToCropTransformations.invert(cropToFrameTransformations);final Canvas canvas new Canvas(croppedBitmap);canvas.drawBitmap(source, frameToCropTransformations, null);return croppedBitmap;}public static float[] normalizeBitmap(Bitmap source,int size,float mean,float std){float[] output new float[size * size * 3];int[] intValues new int[source.getHeight() * source.getWidth()];source.getPixels(intValues, 0, source.getWidth(), 0, 0, source.getWidth(), source.getHeight());for (int i 0; i intValues.length; i) {final int val intValues[i];output[i * 3] (((val 16) 0xFF) - mean)/std;output[i * 3 1] (((val 8) 0xFF) - mean)/std;output[i * 3 2] ((val 0xFF) - mean)/std;}return output;}public static Object[] argmax(float[] array){int best -1;float best_confidence 0.0f;for(int i 0;i array.length;i){float value array[i];if (value best_confidence){best_confidence value;best i;}}return new Object[]{best,best_confidence};}public static String getLabel( InputStream jsonStream,int index){String label ;try {byte[] jsonData new byte[jsonStream.available()];jsonStream.read(jsonData);jsonStream.close();String jsonString new String(jsonData,utf-8);JSONObject object new JSONObject(jsonString);label object.getString(String.valueOf(index));}catch (Exception e){}return label;} }c. 在主活动main activity添加代码被用于显示图像和预测结果。 public void predict(final Bitmap bitmap){//在后台线程中运行预测new AsyncTaskInteger,Integer,Integer(){Overrideprotected Integer doInBackground(Integer ...params){//将图像大小调整为150*150Bitmap resized_image ImageUtils.processBitmap(bitmap,150);//归一化像素floatValuesImageUtils.normalizeBitmap(resized_image,150,127.5f,1.0f);//将输入传到tensorflowtf.feed(INPUT_NAME,floatValues,1,150,150,3);//计算预测tf.run(new String[]{OUTPUT_NAME});//将输出复制到预测数组中tf.fetch(OUTPUT_NAME,PREDICTIONS);//获得最高预测Object[] results argmax(PREDICTIONS);int class_index (Integer) results[0];float confidence (Float) results[1];try{final String conf String.valueOf(confidence * 100).substring(0,5);//将预测的类别索引转换为实际的标签名称final String label ImageUtils.getLabel(getAssets().open(labels.json),class_index);//展示结果runOnUiThread(new Runnable() {Overridepublic void run() {progressBar.dismiss();resultView.setText(label : conf %);}});}catch (Exception e){}return 0;}}.execute(0); }2相关代码 本部分包括布局文件和主活动类。 1布局文件 布局文件相关代码如下 /res/layout/activity_main.xml ?xml version1.0 encodingutf-8? android.support.design.widget.CoordinatorLayout xmlns:androidhttp://schemas.android.com/apk/res/androidxmlns:apphttp://schemas.android.com/apk/res-autoxmlns:toolshttp://schemas.android.com/toolsandroid:layout_widthmatch_parentandroid:layout_heightmatch_parenttools:context.MainActivityandroid.support.design.widget.AppBarLayoutandroid:layout_widthmatch_parentandroid:layout_heightwrap_contentandroid:themestyle/AppTheme.AppBarOverlayandroid.support.v7.widget.Toolbarandroid:idid/toolbarandroid:layout_widthmatch_parentandroid:layout_height?attr/actionBarSizeandroid:background?attr/colorPrimaryapp:popupThemestyle/AppTheme.PopupOverlay //android.support.design.widget.AppBarLayoutinclude layoutlayout/content_main /android.support.design.widget.FloatingActionButtonandroid:idid/predictandroid:layout_widthwrap_contentandroid:layout_heightwrap_contentandroid:layout_gravitybottom|endandroid:layout_margindimen/fab_marginapp:srcCompatandroid:drawable/ic_media_play / /android.support.design.widget.CoordinatorLayout /res/layout/content_main.xml ?xml version1.0 encodingutf-8? android.support.constraint.ConstraintLayout xmlns:androidhttp://schemas.android.com/apk/res/androidxmlns:apphttp://schemas.android.com/apk/res-autoxmlns:toolshttp://schemas.android.com/toolsandroid:layout_widthmatch_parentandroid:layout_heightmatch_parentapp:layout_behaviorstring/appbar_scrolling_view_behaviortools:context.MainActivitytools:showInlayout/activity_mainScrollViewandroid:layout_widthmatch_parentandroid:layout_heightmatch_parentLinearLayoutandroid:layout_widthmatch_parentandroid:layout_heightwrap_contentandroid:orientationverticalTextViewandroid:layout_widthmatch_parentandroid:layout_heightwrap_contentandroid:textSize30dpandroid:layout_marginBottom30dpandroid:textClick the Red-Colored floating button below to show and predict the image/ImageViewandroid:layout_widthmatch_parentandroid:layout_heightwrap_contentandroid:adjustViewBoundstrueandroid:scaleTypefitCenterandroid:idid/imageviewandroid:layout_marginBottom10dp/TextViewandroid:layout_widthwrap_contentandroid:layout_heightwrap_contentandroid:idid/results//LinearLayout/ScrollView /android.support.constraint.ConstraintLayout2主活动类 主活动类相关代码如下 package com.specpal.mobileai; import android.graphics.Bitmap; import android.graphics.BitmapFactory; import android.os.AsyncTask; import android.os.Bundle; import android.renderscript.ScriptGroup; import android.support.design.widget.FloatingActionButton; import android.support.design.widget.Snackbar; import android.support.v7.app.AppCompatActivity; import android.support.v7.widget.Toolbar; import android.util.JsonReader; import android.view.View; import android.widget.ImageView; import android.widget.TextView; import android.widget.Toast; import org.json.*; import org.tensorflow.contrib.android.TensorFlowInferenceInterface; import java.io.FileInputStream; import java.io.InputStream; public class MainActivity extends AppCompatActivity {//加载流推理库static {System.loadLibrary(tensorflow_inference);}//模型存放路径和输入/输出节点名称private String MODEL_PATH file:///android_asset/modelweights_22424.pb;private String INPUT_NAME zero_padding2d_1_input;private String OUTPUT_NAME output_1;private TensorFlowInferenceInterface tf;//保存预测的数组和图像数据的浮点值float[] PREDICTIONS new float[10];private float[] floatValues;private int[] INPUT_SIZE {150,150,3};ImageView imageView;TextView resultView;Snackbar progressBar;Overrideprotected void onCreate(Bundle savedInstanceState) {super.onCreate(savedInstanceState);setContentView(R.layout.activity_main);Toolbar toolbar (Toolbar) findViewById(R.id.toolbar);setSupportActionBar(toolbar);//初始化TensorFlowtf new TensorFlowInferenceInterface(getAssets(),MODEL_PATH);imageView (ImageView) findViewById(R.id.imageview);resultView (TextView) findViewById(R.id.results);progressBar Snackbar.make(imageView,PROCESSING IMAGE,Snackbar.LENGTH_INDEFINITE);final FloatingActionButton predict (FloatingActionButton) findViewById(R.id.predict);predict.setOnClickListener(new View.OnClickListener() {Overridepublic void onClick(View view) {try{//从ASSETS文件夹读取图片InputStream imageStream getAssets().open(testimage4.gif);Bitmap bitmap BitmapFactory.decodeStream(imageStream);imageView.setImageBitmap(bitmap);progressBar.show();predict(bitmap);}catch (Exception e){}}});}//计算最大预测及其置信度的函数public Object[] argmax(float[] array){int best -1;float best_confidence 0.0f;for(int i 0;i array.length;i){float value array[i];if (value best_confidence){best_confidence value;best i;}}return new Object[]{best,best_confidence};}public void predict(final Bitmap bitmap){//在后台线程中运行预测new AsyncTaskInteger,Integer,Integer(){Overrideprotected Integer doInBackground(Integer ...params){//将图像大小调整为150 x*150Bitmap resized_image ImageUtils.processBitmap(bitmap,150);//归一化像素floatValuesImageUtils.normalizeBitmap(resized_image,150,127.5f,1.0f);//将输入传到TensorFlowtf.feed(INPUT_NAME,floatValues,1,150,150,3);//计算预测tf.run(new String[]{OUTPUT_NAME});//将输出复制到预测数组中tf.fetch(OUTPUT_NAME,PREDICTIONS);//获得最高预测Object[] results argmax(PREDICTIONS);int class_index (Integer) results[0];float confidence (Float) results[1];try{final String conf String.valueOf(confidence * 100).substring(0,5);//将预测的类别索引转换为实际的标签名称final String label ImageUtils.getLabel(getAssets().open(labels.json),class_index);//展示结果runOnUiThread(new Runnable() {Overridepublic void run() {progressBar.dismiss();resultView.setText(label : conf %);}});}catch (Exception e){}return 0;}}.execute(0);} }相关其它博客 基于VGG-16AndroidPython的智能车辆驾驶行为分析—深度学习算法应用(含全部工程源码)数据集模型一 基于VGG-16AndroidPython的智能车辆驾驶行为分析—深度学习算法应用(含全部工程源码)数据集模型二 基于VGG-16AndroidPython的智能车辆驾驶行为分析—深度学习算法应用(含全部工程源码)数据集模型四 工程源代码下载 详见本人博客资源下载页 其它资料下载 如果大家想继续了解人工智能相关学习路线和知识体系欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线所有资料免关注免套路直接网盘下载》 这篇博客参考了Github知名开源平台AI技术平台以及相关领域专家DatawhaleApacheCNAI有道和黄海广博士等约有近100G相关资料希望能帮助到所有小伙伴们。