Основываясь на CNN: распознавание изображений с проверочным кодом

Введение

В этом проекте используются модели AlexNet и LeNet, которые можно выбрать в зависимости от конкретных потребностей (достаточно изменить функцию train в файле train_model.py). Точность распознавания составляет 95,5%.

Автор хочет сказать

Не заметил, как этот репозиторий сопровождал меня с 16 до 20 лет, предоставляя мне самое замечательное путешествие в моей жизни. Я собрал этот документ, надеясь, что любой, кто хочет изучить распознавание изображений и поиграть с свёрточными нейронными сетями, сможет легко начать работу. Пожалуйста, используйте технологии осторожно и только для обучения, не поддерживайте любые связанные с чёрным и серым рынки. Смотрите: https://www.urlteam.cn/?p=1893, https://www.urlteam.cn/?p=1406. Все содержимое исходного Anti-Anti-Spider было перемещено в каталог исходного Anti-Anti-Spider. Если у вас есть вопросы, вы можете связаться со мной по электронной почте 543429245@qq.com. Файлы моделей можно скачать, если они не распаковываются, можно использовать: https://www.urlteam.cn/%E5%8F%AF%E7%94%A8%E8%AE%AD%E7%BB%83%E9%9B%86%E4%B8%8E%E8%AE%AD%E5%A5%BD%E7%9A%84%E6%A8%A1%E5%9E%8B.zip.

Структура модели AlexNet

Согласно сложности проверочных кодов, время тренировки также может значительно различаться.

Использование

1. Перед началом тренировки образцов измените conf/config.json.
2. Разделите предварительно обработанный набор данных на тестовый и обучающий наборы и поместите их в папку sample.
3. Запустите train_model.py для начала тренировки, и модель после тренировки будет сохранена в model_result.
4. Поместите обученную модель в model_result, запустите cnn_models/recognition.py, выберите проверочный код, чтобы увидеть эффект модели.

Настройка среды

Установка TensorFlow CPU версии: pip install tensorflow==1.9.0. Установка GPU версии TensorFlow: pip install tensorflow-gpu==1.9.0. Версия GPU немного сложнее в установке, вам нужно установить CUDA и cuDNN, чтобы TensorFlow мог использовать GPU. На рисунке ниже показана взаимосвязь между версиями TensorFlow, Python, CUDA и cuDNN.

CUDA и процесс установки cuDNN в основном состоит из двух шагов:

1. Загрузите CUDA с официального сайта и установите его.
2. Скопируйте cuDNN после распаковки в каталог установки CUDA. Здесь представлены ссылки на два файла: CUDA: https://developer.nvidia.com/cuda-toolkit-archive. cuDNN: https://developer.nvidia.com/rdp/cudnn-archive. Более конкретный процесс установки можно легко решить с помощью Baidu (методы работы на Linux и Windows различаются).

Структура проекта

├─cnn_models
│  ├─cnn_model.py		# Класс сети CNN
│  └─recognition.py		# Проверка результатов тренировки
├─conf
│  └─config.json		# Файл конфигурации
├─logs			# Журнал тренировки модели
├─model_result	# Адрес сохранения модели
│  └─1040		# Набор тренировочных данных и соответствующая модель
├─sample
│  ├─test		# Тренировочный набор (обычно 9:1 от общего набора данных)
│  └─train		# Тестовый набор
├─src			# Инструменты, необходимые для настройки среды, которые можно загрузить с Интернета в соответствии с вашими потребностями
├─train_model.py		# Программа тренировки
└─verify_sample.py		# Создание набора данных (маркировка и предварительная обработка изображений)

Предварительная обработка изображений

• Маркируйте проверочные коды изображений, например: Имя — 1040_2019–10–13_10_1092.jpg, 1092 — это метка, а остальное — дополнительная информация, которую можно изменить в соответствии с вашими потребностями, просто разделите её знаком «_».
• Поскольку модель требует ввода изображения размером 227*227, все изображения необходимо настроить. В verify_sample.py есть функция инструмента.

Примечания

Для ввода AlexNet требуется изображение размером 227 * 227. Все изображения должны быть настроены при предварительной обработке, либо с использованием функций PIL для линейного преобразования размера изображения, либо путём масштабирования и вставки в фон размером 227 * 227.