环境描述
操作系统：windows10
开发语言：python3.7.6
深度学习后端：tensorflow2.1.0
深度学习前端：keras（ts内嵌的keras）
显卡：GTX1050TI（安装cuda）
一、准备数据
从百度或谷歌上搜火、火焰、火灾等图片，建立两个文件夹（因为是二分类问题，有火or无火）fire和nofire。效果如下：
截图的文件夹分为conv和不带conv的文件夹，其实是火和无火的图片是经过多次添加的，因为训练数据的过程中会发现某些图片识别效果不是很好，所以得在训练样本中增加特定的图片（比如初次训练的时候没有增加枯草的图片进行训练，然后验证的时候会发现训练结果会误把枯草识别成火，因为数据应该是多次修正和新增的），conv文件夹其实就是将不带conv文件夹内的图片进行统一尺寸和格式（因为网上下载的数据基本上不可能统一尺寸，为了使用深度学习工具进行训练和张量运算，因此要统一尺寸）。
如下图，火的数据：
无火的数据如下：
将图片统一尺寸代码如下（需要自行修改图片路径）：
-
from PIL
import Image
-
import os.path
-
import glob
-
-
def convertjpg(jpgfile,outdir,width=300,height=300):
-
img=Image.open(jpgfile)
-
try:
-
new_img=img.resize((width,height),Image.BILINEAR)
-
new_img.save(os.path.join(outdir,os.path.basename(jpgfile)))
-
except Exception
as e:
-
print(e)
-
-
for jpgfile
in glob.glob(
'E:/fireimages/sources/nofire-1/*.jpg'):
-
convertjpg(jpgfile,
'E:/fireimages/sources/conv_nofire-1')
二、调整数据
新建train和val两个文件夹，将统一尺寸后的图片基本上按照5:1的比例分配到train和val两个文件夹内，train里面包含fire和nofire两个文件夹，val同理，如下图：
三、使用googlenet（inceptionV3模型进行训练）
上代码，自行修改路径：
-
from tensorflow
import keras
-
from keras.applications.inception_v3
import InceptionV3
-
import numpy
as np
-
from keras.preprocessing.image
import ImageDataGenerator
-
from keras
import models
-
from keras
import layers
-
import os
-
from keras
import optimizers
-
from keras.utils
import to_categorical
-
import matplotlib.pyplot
as plt
-
from keras.preprocessing.image
import ImageDataGenerator
-
from keras.applications.inception_v3
import InceptionV3,preprocess_input
-
from keras.layers
import GlobalAveragePooling2D,Dense
-
from keras.models
import Model
-
from keras.utils.vis_utils
import plot_model
-
from keras.optimizers
import Adagrad
-
-
-
# 动物数据预处理
-
train_dir =
'E:/fireimages/conv1/train'
-
val_dir =
'E:/fireimages/conv1/val'
-
-
# 不使用数据增强
-
train_datagen = ImageDataGenerator(rescale=
1./
255)
-
val_datagen = ImageDataGenerator(rescale=
1./
255)
-
-
# 使用数据增强
-
# train_datagen = ImageDataGenerator(rescale=1./255, rotation_range=30., width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True)
-
# val_datagen = ImageDataGenerator(rescale=1./255, rotation_range=30., width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True)
-
-
# 使用迭代器生成图片张量
-
train_generator = train_datagen.flow_from_directory(train_dir, target_size=(
300,
300), batch_size=
10, class_mode=
'binary')
-
val_generator = train_datagen.flow_from_directory(val_dir, target_size=(
300,
300), batch_size=
10, class_mode=
'binary')
-
-
# resnet_base = InceptionV3(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
-
# 构建基础模型
-
base_model = InceptionV3(weights=
'imagenet',include_top=
False, input_shape=(
300,
300,
3))
-
-
# 增加新的输出层
-
x = base_model.output
-
# GlobalAveragePooling2D 将 MxNxC 的张量转换成 1xC 张量，C是通道数
-
x = GlobalAveragePooling2D()(x)
-
x = Dense(
512,activation=
'relu')(x)
-
predictions = Dense(
1,activation=
'sigmoid')(x)
-
model = Model(inputs=base_model.input,outputs=predictions)
-
-
'''
-
这里的base_model和model里面的iv3都指向同一个地址
-
'''
-
def setup_to_transfer_learning(model,base_model):
-
for layer
in base_model.layers:
-
layer.trainable =
False
-
model.compile(optimizer=
'adam',loss=
'binary_crossentropy',metrics=[
'accuracy'])
-
-
def setup_to_fine_tune(model,base_model):
-
GAP_LAYER =
17
-
for layer
in base_model.layers[:GAP_LAYER+
1]:
-
layer.trainable =
False
-
for layer
in base_model.layers[GAP_LAYER+
1:]:
-
layer.trainable =
True
-
model.compile(optimizer=Adagrad(lr=
0.0001),loss=
'binary_crossentropy',metrics=[
'accuracy'])
-
-
setup_to_transfer_learning(model,base_model)
-
history_tl = model.fit_generator(generator=train_generator,
-
epochs=
5,
-
validation_data=val_generator,
-
validation_steps=
5,
-
class_weight=
'auto'
-
)
-
model.save(
'E:/fireimages/fire-inceptionV3-more21.h5')
-
setup_to_fine_tune(model,base_model)
-
history_ft = model.fit_generator(generator=train_generator,
-
epochs=
5,
-
validation_data=val_generator,
-
validation_steps=
5,
-
class_weight=
'auto')
-
model.save(
'E:/fireimages/fire-inceptionV3-more22.h5')
四、训练
在vscode内进行训练，结果如下：训练集合验证集效果都还不错。
可见最后一轮的验证精度居然达到了惊人的100%。
五、测试数据
上代码：
-
import os
-
import numpy
as np
-
from keras.preprocessing.image
import ImageDataGenerator
-
from keras
import models
-
from keras
import layers
-
from keras
import optimizers
-
import matplotlib.pyplot
as plt
-
from keras.applications
import VGG16
-
-
from tensorflow
import keras
-
from keras
import models
-
import numpy
as np
-
from keras.preprocessing
import image
-
from keras.applications.imagenet_utils
import preprocess_input, decode_predictions
-
import os
-
import tkinter
as tk
-
from tkinter
import filedialog
-
-
# model = models.load_model('E:/KaggleDatas/dogvscat/dc.h5')
-
model = models.load_model(
'E:/fireimages/fire-inceptionV3-more22.h5')
-
-
root = tk.Tk()
-
root.withdraw()
-
-
print(
'press enter to discern your image.')
-
print(
'press e to exit.')
-
for i
in range(
1000):
-
cmd = input(
'input command.')
-
if cmd ==
'':
-
# 选择文件
-
path = filedialog.askopenfilename()
-
img = image.load_img(path)
-
img = img.resize((
300,
300))
-
# img = img.scale()
-
x = image.img_to_array(img)
-
x /=
255
-
x = np.expand_dims(x, axis=
0)
-
# x = preprocess_input(x, mode='torch')
-
y = model.predict(x)
-
# print(y)
-
-
j =
0
-
for data
in y[
0]:
-
if data <=
0.3:
-
print(
'fire {:.2f}'.format(data))
-
else:
-
print(
'nofire {:.2f}'.format(data))
-
elif cmd ==
'e':
-
break
此处设定了阈值，当概率小于0.3的时候默认为是有火，否则无火，百度随便下载几张和训练验证集不相同的图片进行验证，效果如下：
在VS控制台按下回车选择图片进行验证，效果如下：
经过测试，发现通过手机拍照的拿着打火机点火的图片未识别出火焰，可能与图片资源有关，因此后续需要继续增加火焰数据集增加手拿打火机点火的照片，然后放到训练集里进行训练，手机拍出来的照片与横竖也有些关系，与照片尺寸也有关系（手机拍出来的尺寸较大）缩放到300*300后会损失不少像素，因此需要继续增强数据集。
六、下一步需要增加视频采集的火焰检测
计划每秒采集两帧图片进行火焰识别，待续……
转载：https://blog.csdn.net/cumtwys/article/details/104822560
查看评论