机器学习笔记 - Traffic-Net训练交通拥堵程度

坐望云起

已于 2022-05-10 20:28:23 修改

阅读量1.7k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习从入门到精通文章标签：深度学习 Traffic-Net

于 2020-12-27 15:10:28 首次发布

原文链接：https://github.com/OlafenwaMoses/Traffic-Net

深度学习从入门到精通专栏收录该内容

797 篇文章 ¥99.90 ¥299.90

订阅专栏

Traffic-Net是一个交通图像数据集，用于训练机器学习系统以识别交通状况，包括事故、密集交通、火和稀疏交通四种情况。数据集包含4,400张图像，每种类型900张训练图像和200张测试图像。在使用imageai进行训练时，可能需要针对TensorFlow 2.x进行一些代码调整。" 112421799,10553375,台达PLC在大型铣镗床的运动控制应用,"['数控机床', '伺服电机', '自动化控制', 'PLC编程', '工业自动化']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Traffic-Net简介

Traffic-Net是交通图像的数据集，其收集目的是确保可以训练机器学习系统以检测交通状况并提供实时监视，分析和警报。

样本集下载地址：https://github.com/OlafenwaMoses/Traffic-Net/releases/download/1.0/trafficnet_dataset_v1.ziphttps://github.com/OlafenwaMoses/Traffic-Net/releases/download/1.0/trafficnet_dataset_v1.zip

这是Traffic-Net数据集的第一个版本。它包含4个类别的4,400张图像。此版本中包含的类为：

事故
密集交通
火
稀疏交通

每个类别有1,100张图像，其中900张图像进行训练，200张图像进行测试。

代码参考

需要安装imageai的包，并且在tensorflow2下运行会有一些错误，看log修改对应的错误的imageai的包的文件

1、from tensorflow.python.keras.utils 需要改成from tensorflow.keras.utils

2、optimizer = Adam(lr=self.__initial_learning_rate, decay=1e-4) 改成 optimizer = tf.optimizers.Adam(lr=self.__initial_learning_rate, decay=1e-4)

from io import open
import requests
import shutil
from zipfile import ZipFile
from imageai.Prediction.Custom import ModelTraining, CustomImagePrediction
import os

execution_path = os.getcwd()

SOURCE_PATH = "https://github.com/OlafenwaMoses/Traffic-Net/releases/download/1.0/trafficnet_dataset_v1.zip"
FILE_DIR = os.path.join(execution_path, "trafficnet_dataset_v1.zip")
DATASET_DIR = os.path.join(execution_path, "trafficnet_dataset_v1.zip")


def download_traffic_net():
    if (os.path.exists(FILE_DIR) == False):
        print("Downloading trafficnet_dataset_v1.zip")
        data = requests.get(SOURCE_PATH,
                            stream=True)

        with open(FILE_DIR, "wb") as file:
            shutil.copyfileobj(data.raw, file)
        del data

        extract = ZipFile(FILE_DIR)
        extract.extractall(execution_path)
        extract.close()


def train_traffic_net():
    download_traffic_net()

    trainer = ModelTraining()
    trainer.setModelTypeAsResNet()
    trainer.setDataDirectory("trafficnet_dataset_v1")
    trainer.trainModel(num_objects=4, num_experiments=200, batch_size=32, save_full_model=True, enhance_data=True)

def run_predict():
    predictor = CustomImagePrediction()
    predictor.setModelPath(model_path="trafficnet_resnet_model_ex-055_acc-0.913750.h5")
    predictor.setJsonPath(model_json="model_class.json")
    predictor.loadFullModel(num_objects=4)

    predictions, probabilities = predictor.predictImage(image_input="images/1.jpg", result_count=4)
    for prediction, probability in zip(predictions, probabilities):
        print(prediction, " : ", probability)

#Un-comment the line below to train your model
#train_traffic_net()

#Un-comment the line below to run predictions
run_predict()