手势图像识别实战(LeNet模型) 原创

发布于 2024-12-5 11:13
浏览
0收藏

前言

上一章内容我们初步了解了卷积、卷积神经网络、卷积神经网络的搭建过程以及经典的LeNet网络结构,本篇内容将基于LeNet网络结构,实现手势识别。

手势识别

数据集介绍

在开展手势识别之前,我们需要先下载并初步了解数据集的情况。

数据下载地址

下载地址:手势识别数据集

├── train                   # 训练集
├── G0                  # 手势0
├── IMG_1118.jpg    # 手势0的图片
├──...
├── G1                  # 手势1
├── IMG_1119.jpg
├──...
├──...
├── G9                  # 手势9
├──test# 测试集
├── G0
├──...
├── G9

手势图像识别实战(LeNet模型)-AI.x社区

项目流程

在《【课程总结】Day8(上):深度学习基本流程》中,我们已了解到深度学习的基本流程为:

  1. 数据预处理 1.1 数据读取 1.2 数据切分 1.3 数据规范化
  2. 批量化打包数据
  3. 模型搭建
  4. 筹备训练
  5. 训练模型 5.1 定义监控指标和方法 5.2 实现训练过程 5.3 开始训练

因此,本次项目也采用如上的基本流程。

数据预处理

由上述目录结构可知,我们需要在训练前使用DataLoader将数据集打包成适合训练的格式,因此需要解决2个问题:

问题1:如何记录标签数据和图片数据

解决方法:

  • 获取标签:上述目录中的G0、G1、G2...G9文件夹名称即为手势标签,因此我们可以通过os.listdir()函数获取文件夹名称。
  • 保存标签:将上述遍历的G0、G1、G2...G9文件夹名称保存到列表​​label_train​​中,方便后续使用。
  • 获取图片路径:通过os.listdir()函数获取文件夹中的图片名称,从而获取图片路径。
  • 保存图片路径:将上述遍历的图片路径保存到列表​​img_train​​中,方便后续使用。

# 读取gestures\train\G0目录下的所有图片路径,添加至list中
import os
import random
import numpy as np
import cv2


defload_img_label(train_root):
    img_train =[]
    label_train =[]
for label in os.listdir(train_root):
        label_path = os.path.join(train_root, label)
# 排除掉.开头的文件
if label.startswith('.'):
continue
for img_name in os.listdir(label_path):
            img_path = os.path.join(label_path, img_name)
            img_train.append(img_path)
            label_train.append(label)
return img_train, label_train

# 1,读取基图像的本信息
root ="gestures"

# 1,训练集
train_root = os.path.join(root,'train')
train_img, train_label = load_img_label(train_root)


# 2,测试集
test_root = os.path.join(root,'test')
test_img, test_label = load_img_label(test_root)

lable_list =list(set(train_label))
lable_list.sort()

# 3,构建标签字典
label2idx ={label: idx for idx, label inenumerate(lable_list)}
idx2label ={idx: label for idx, label inenumerate(lable_list)}
print(label2idx)
print(idx2label)

问题2:如何将图片和标签数据打包成适合训练的格式

解决方法:

  • 构建自定义数据集类GesturesDataset
  • 重写__getitem__(),len(),init()方法
  • 在__getitem__()方法中:
  1. 使用cv2.imread()读取图片
  2. 使用cv2.resize()调整图片大小
  3. 将图像转为numpy数组
  4. 对矩阵数组中的数据进行归一化处理,规范化为[-1, 1]
  5. 使用torch将数据转为张量
  6. 将数据从图片数据的[H(高度), W(宽度), C(通道数)]转维度为[N(批量个数), H(高度), W(宽度), C(通道数)]
  7. 将标签转为数字,例如:G0 -> 0, G1 -> 1, G2 -> 2, ..., G9 -> 9
  8. 将标签转为张量

import torch
from torch.utils.data importDataset

classGesturesDataset(Dataset):
"""
    自定义数据集
    """
def__init__(self, X, y):
        self.X = X
        self.y = y

def__len__(self):
returnlen(self.X)

def__getitem__(self, idx):
        img_path = self.X[idx]
        img_label = self.y[idx]

# 1,读取图像
        img = cv2.imread(img_path)

# 2,图像转为32*32
        img = cv2.resize(img,(32,32))

# 3,图像转为numpy数组
        img = np.array(img)

# 4,数据规范化到 [-1, 1]
        img = img /255.0
        img =(img -0.5)/0.5

# 5,数据转为torch张量
        img = torch.tensor(img, dtype=torch.float32)

# 6,数据转维度 [H, W, C]
        img = img.permute(2,0,1)

# 7,标签转为数字
        label = label2idx[img_label]
        label = torch.tensor(label, dtype=torch.long)

return img, label

模型搭建

本次模型使用LeNet网络结构,相关结构已在《【课程总结】Day10:卷积网络的基本组件》阐述,本次过程不再赘述。

import torch
from torch import nn


classConvBlock(nn.Module):
"""
        一层卷积:
            - 卷积层
            - 批规范化层
            - 激活层
    """
def__init__(self, in_channels, out_channels, 
                 kernel_size=3, stride=1, padding=1):
super().__init__()
        self.conv = nn.Conv2d(in_channels=in_channels, out_channels=out_channels,
                             kernel_size=kernel_size, stride=stride,padding=padding)
        self.bn = nn.BatchNorm2d(num_features=out_channels)
        self.relu = nn.ReLU()

defforward(self, x):
        x = self.conv(x)
        x = self.bn(x)
        x = self.relu(x)
return x

classLeNet(nn.Module):
def__init__(self, num_classes=10):
super().__init__()
# 1, 特征抽取部分
        self.feature_extractor = nn.Sequential(
# 卷积层1
ConvBlock(in_channels=3,
                      out_channels=6,
                      kernel_size=5,
                      stride=1,
                      padding=0),

# 亚采样(池化)
            nn.MaxPool2d(kernel_size=2, stride=2, padding=0),

# 卷积层2
ConvBlock(in_channels=6,
                      out_channels=16,
                      kernel_size=5,
                      stride=1,
                      padding=0),

# 亚采样(池化)
            nn.MaxPool2d(kernel_size=2, stride=2, padding=0),

)

# 2, 分类
        self.classifier = nn.Sequential(
            nn.Flatten(),
            nn.Linear(in_features=400, out_features=120),
            nn.ReLU(),
            nn.Linear(in_features=120, out_features=84),
            nn.ReLU(),
            nn.Linear(in_features=84, out_features=num_classes)
)

defforward(self, x):
# 1, 提取特征
        x = self.feature_extractor(x)
# 2, 分类输出
        x = self.classifier(x)
return x
  • 将以上代码单独封装为model.py文件,方便后续直接import。
  • 在主程序中使用以下方式直接调用即可:​from models import LeNet
    model = LeNet()​

筹备训练

由于计算的数据量较大,所以我们需要借助torch以及GPU来提升训练速度。

# 检测是否有可用的CUDA设备,如果有则使用第一个可用的CUDA设备,否则使用CPU
device ="cuda:0"if torch.cuda.is_available()else"cpu"

# 将模型移动到指定的设备(CUDA或CPU)
model.to(device=device)

# 设置训练的总轮数
epochs =80

# 设置学习率
lr =1e-3

# 定义损失函数为交叉熵损失
loss_fn = nn.CrossEntropyLoss()

# 定义优化器为随机梯度下降(SGD),传入模型的参数和学习率
optimizer = torch.optim.SGD(params=model.parameters(), lr=lr)

模型评估

为了观察训练过程情况,定义模型评估函数:

# 准确率计算
defget_acc(data_loader):
    accs =[]
    model.eval()
with torch.no_grad():
for X, y in data_loader:
            X = X.to(device=device)
            y = y.to(device=device)
            y_pred = model(X)
            y_pred = y_pred.argmax(dim=-1)
            acc =(y_pred == y).to(torch.float32).mean().item()
            accs.append(acc)
    final_acc =round(number=sum(accs)/len(accs), ndigits=5)
return final_acc

实现训练过程

# 训练过程
deftrain():

    train_accs =[]
    test_accs =[]
    cur_test_acc =0

# 1,训练之前,检测一下准确率
    train_acc = get_acc(data_loader=train_dataloader)
    test_acc = get_acc(data_loader=test_dataloader)
    train_accs.append(train_acc)
    test_accs.append(test_acc)

print(f"训练之前:train_acc: {train_acc},test_acc: {test_acc}")

# 每一轮次
for epoch inrange(epochs):
# 模型设置为 train 模式
        model.train()
# 计时
        start_train = time.time()
# 每一批量
for X, y in train_dataloader:
# 数据搬家
            X = X.to(device=device)
            y = y.to(device=device)
# 1,正向传播
            y_pred = model(X)
# 2,计算损失
            loss = loss_fn(y_pred, y)
# 3,反向传播
            loss.backward()
# 4,优化一步
            optimizer.step()
# 5,清空梯度
            optimizer.zero_grad()
# 计时结束
        stop_train = time.time()
# 测试准确率
        train_acc = get_acc(data_loader=train_dataloader)
        test_acc = get_acc(data_loader=test_dataloader)
        train_accs.append(train_acc)
        test_accs.append(test_acc)
# 保存模型
if cur_test_acc < test_acc:
            cur_test_acc = test_acc
# 保存最好模型
            torch.save(obj=model.state_dict(), f="lenet_best.pt")
# 保存最后模型
        torch.save(obj=model.state_dict(), f="lenet_last.pt")

# 格式化输出日志
print(f"""
        当前是第 {epoch + 1} 轮:
        ------------------------------------------------------------
        | 训练准确率 (train_acc) | 测试准确率 (test_acc) | 运行时间 (elapsed_time) |
        ------------------------------------------------------------
        | {train_acc:<18} | {test_acc:<17} | {round(number=stop_train - start_train, ndigits=3)} 秒    |
        ------------------------------------------------------------
        """)
return train_accs, test_accs

开始训练

train_accs, test_accs = train()

图形化监控数据

plt.plot(train_accs, label="train_acc")
plt.plot(test_accs, label="train_acc")
plt.legend()
plt.grid()
plt.xlabel(xlabel='epoch')
plt.ylabel(ylabel="acc")
plt.title(label="LeNet Training Process")

运行结果:

手势图像识别实战(LeNet模型)-AI.x社区

手势图像识别实战(LeNet模型)-AI.x社区

通过以上执行过程可以看到,经过80轮训练后,LeNet模型在训练集上的准确率达到99%,在测试集上的准确率达到94%。

模型预测

接下来,我们使用streamlit实现一个前端页面,用户在页面上输入图片,模型会自动识别图片中的手势。

整体实现流程:

  1. 创建一个streamlit应用,并导入相关依赖。
  2. 显示当前设备是GPU设备还是CPU
  3. 加载模型
  4. 使用streamlit.file_uploader显示上传图片控件
  5. 使用streamlit.image显示上传的图片
  6. 使用加载的模型进行预测 6.1 读取图像 6.2 图像预处理 6.3 图形转为张量 6.4 转换图形的维度为[C, H, W] 6.5 新建一个批量维度[N, C, H, W] 6.6 数据搬家 6.7 模型设为评估模式 6.8 模型预测 6.9 预测结果转为标签 0 → G0, 1 → G1, 2 → G2, 3 → G3, 4 → G4, 5 → G5 6.10 返回标签结果

import streamlit
import torch
import os
import numpy as np
from PIL importImage
from models importLeNet


# 生成idx2label字典,用于显示预测结果
idx2label ={
0:'G0',
1:'G1',
2:'G2',
3:'G3',
4:'G4',
5:'G5',
6:'G6',
7:'G7',
8:'G8',
9:'G9'
}

definfer(img_path, model, device, idx2label):
"""
        输入:图像地址
        输出:预测类别
    """
# 1,读取图像
ifnot os.path.exists(img_path):
raiseFileNotFoundError("文件没找到")

# 2, 判断当前局部变量中是否有model
# if "m1" not in globals() or not isinstance(globals()["m1"], LeNet):
#     raise ValueError("m1模型不存在")

# 3,读取图像
    img =Image.open(fp=img_path)

# 4,预处理
    img = img.resize((32,32))
    img = np.array(img)
    img = img /255
    img =(img -0.5)/0.5

# 5, 转张量
    img = torch.tensor(data=img, dtype=torch.float32)

# 6, 转换维度
    img = img.permute(dims=(2,0,1))

# 7, 新增一个批量维度
    img = img.unsqueeze(dim=0)

# 8,数据搬家
    img = img.to(device=device)

# 9,模型设为评估模式
    model.eval()

# 10,无梯度环境
with torch.no_grad():
# 11,正向传播
        y_pred = m1(img)

# 12, 解析结果
        y_pred = y_pred.argmax(dim=-1).item()

# 13,标签转换
        label = idx2label.get(y_pred)

# 14, 返回结果
return label

if __name__ =="__main__":
# 1, 显示当前设备是GPU设备还是CPU
# 检测设备
    device ="cuda"if torch.cuda.is_available()else"cpu"
    streamlit.write(f"当前设备是{device}设备")


# 2, 加载模型
    m1 =LeNet()
    m1.to(device=device)
# 加载权重
    m1.load_state_dict(state_dict=torch.load(f="lenet_best.pt", map_locatinotallow=device),
                    strict=False)
ifnotisinstance(m1,LeNet):
raiseValueError("模型加载失败")

# 3, 上传一张图片
    img_path = streamlit.file_uploader(label="上传一张图片",type=["png","jpg","jpeg"])
# 3.1, 将上传的图像文件保存到临时文件
if img_path:
withopen(file="temp_img.jpg", mode="wb")as f:
            f.write(img_path.getvalue())
        img_path ="temp_img.jpg"
# 4, 显示上传的图片
if img_path:
        img =Image.open(fp=img_path)
        streamlit.image(image=img, captinotallow="上传的图片", use_column_width=True)

# 5, 加载本地的lenet_best.pt模型
if img_path:
        label = infer(img_path=img_path, model=m1, device=device, idx2label=idx2label)
        streamlit.write(f"预测结果是{label}")

运行结果:

手势图像识别实战(LeNet模型)-AI.x社区图片

内容小结

  • 回顾深度学习的整体流程,仍然是:数据预处理→批量化打包数据→模型搭建→训练模型→模型评估→模型预测
  • 图片数据预处理时,批量化打包数据需要构造为[N, C, H, W]的格式
  • 预处理的过程大致为:读取图片→调整图片大小→转为numpy数组→归一化→转为张量→调整维度→标签转为数字→转为张量,该过程需要在自定义数据集的__getitem__函数中完成
  • 模型构建使用的是LeNet模型,该模型定义可以单独在models.py中实现,训练代码中直接import引用即可
  • 训练过程以及训练时的监控过程,与前两章学习的深度学习训练过程是一样的


本文转载自公众号一起AI技术 作者:热情的Dongming

原文链接:​​https://mp.weixin.qq.com/s/uLcszdSP99AepL5d47e6ZQ​

©著作权归作者所有,如需转载,请注明出处,否则将追究法律责任
已于2024-12-5 11:14:19修改
收藏
回复
举报
回复
相关推荐