Сигналы регулировщика картинки: ПДД в картинках и с пояснениями

Комментариев нет

Когда-нибудь ваш просмотр был прерван из-за CAPTCHA, предлагающего вам нажимать на все автобусы, светофоры или знаки остановки? Ты наверное заметили, что CAPTCHA просит вас нажимать на изображения, связанные с вождением, так как в отличие от того, чтобы заставить вас идентифицировать всех котят или панд на картинке.Есть причина для этого, и все это ведет обратно к Big Tech.

Держите свой Buick в хорошем состоянии: Сервисный центр McKaig

Что такое капча?

CAPTCHA — это сокращение от «полностью автоматизированный публичный тест Тьюринга, позволяющий отличить компьютеры от людей ». Вы скорее всего использовать CAPTCHA при регистрации учетной записи, совершении покупки или публикации комментарий, потому что CAPTCHA предназначены для отсеивания спам-ботов от реальных пользователей. Следовательно, для прохождения теста требуется определенный человеческий навык — например, способность для точного определения знаков и транспортных средств на дороге.

Использование данных от людей

В то время как боты в настоящее время немного отстают, когда дело доходит до выбора вещей на дороге, это поучительный момент для ИИ. Согласно предположениям технических экспертов, каждый раз, когда вас просят посмотреть на картинку и щелкнуть все квадраты со знаком остановки, вы можете обучать будущему беспилотному автомобилю, в частности, автомобилю Waymo, принадлежащему Google.

Google уже использовал этот метод раньше. Помните старые времена, когда заполнение CAPTCHA просто интерпретировало искаженные слова и печатало их? Эти данные были использованы для улучшения технологии оптического распознавания символов, которая позволила Google Книги оцифровывать бумажные тексты.Затем CAPTCHA прошла этап, на котором пользователи должны были интерпретировать номера домов и уличные знаки. Эти данные помогли улучшить Google Street View.

Waymo весит

Waymo объясняет, что использует множество методов для обучения своих автомобилей. правила дорожного движения, такие как данные из DNNresearch, который использует алгоритмы для визуальная классификация вместо человеческих усилий. Однако Майкл Каттер, который имеет докторскую степень в области компьютерной инженерии, полагает, что данные CAPTCHA используется для перепроверки работы ИИ.

Итак, в следующий раз, когда вам придется остановиться и щелкнуть по всем автобусам, знайте, что вы делаете дороги завтрашнего дня немного безопаснее.

Поездка домой стильно: Получите Buick

Источник: Ceros

Кимико Кидд — коренная жительница Дейтона. Она окончила Государственный университет Райта со степенью в области экологии и социологии. Она любит свою верную старую Honda Civic, но мечтает приобрести Ford Falcon XB 1974 года с нестандартной окраской и винтажный Kawasaki Z1000.В свободное время Кимико рисует акварелью, выпекает кексы, собирает камни, играет в олдскульные игры для Nintendo, пишет свой роман, шьет чучела животных и косплеит ее любимых персонажей Mad Max . Смотрите другие статьи Кимико.

Департамент транспорта штата Орегон: Руководство для водителя штата Орегон

На этой странице

Вы должны подчиняться всем официальным знакам, сигналам и разметке, если только вы не видите, что полицейский или дорожный рабочий перенаправляет движение.

Знаки

В знаках часто используются символы или изображения, а не слова. Каждый тип знака имеет особый цвет и форму, чтобы вы могли легко распознать знак с первого взгляда.

Нормативные знаки — запрещающие

Дорожные знаки, запрещающие определенные действия или движения, окрашены в красный цвет и повышают безопасность за счет управления движением транспорта через перекрестки.

Стоп — восьмиугольник

Этот знак означает, что вы должны полностью остановиться.Уступайте другим транспортным средствам и останавливайтесь и останавливайтесь для пешеходов, переходящих пешеходные переходы по обозначенным или немаркированным пешеходным переходам. Когда это будет безопасно, вы можете выехать на перекресток.

Уступ — Треугольник

Этот знак означает, что вам следует снизить скорость и уступить дорогу. При необходимости остановитесь так же, как для знака остановки.

Не входить — квадрат

Этот знак предупреждает, что нельзя выезжать на дорогу или автостраду.Вы увидите этот знак, если идете неправильным путем. Исследование для ваших тестов

Указанные ниже знаки запрещают определенные действия. Когда вы видите знак с красным кружком и косой чертой, это означает, что не совершайте указанный поворот.

Нормативные знаки — прочее

Нормативные знаки имеют прямоугольную форму с черными словами или символами на белом фоне и говорят вам, что делать. Они размещаются там, где применяется требование, или рядом с ним.Здесь показаны не все нормативные знаки.

Ограничение скорости

Указывает максимальную скорость в милях в час. Знаки могут быть электронными и могут меняться в зависимости от текущих условий.

В одну сторону

Трафик движется только в направлении стрелки.

Поворот направо разрешен без остановки

Этот знак может находиться под знаком остановки.Транспортные средства, поворачивающие направо, могут поворачивать без остановки. Другой транспортный поток должен остановиться и уступить дорогу.

Контроль использования полосы движения

Эти знаки используются там, где требуется или разрешается поворот с полосы движения, как показано.

Держаться правой стороны

Дорога впереди разделяется островком безопасности, срединной частью или препятствием.Держитесь правее.

Только поворот по центральной полосе

Совместное использование центральной полосы для левых поворотов в обоих направлениях

Не сдавать

Этот знак означает, что вы не можете пройти.

Нет Включите красный

Вы не можете поворачивать на красный свет.Вы должны дождаться, когда сигнал станет зеленым.

Автомобиль с высокой посещаемостью

Эта полоса зарезервирована для транспортных средств, в которых перевозятся не менее двух или более человек, как указано на знаке. На дорожке можно нарисовать белый ромб.

Предупреждающие знаки

Предупреждающие знаки желтого цвета и предупреждают об известных возможных опасностях или изменении дорожных условий впереди.Как водитель, вы несете полную ответственность за распознавание и правильную реакцию на изменение условий, независимо от того, подписаны они или нет. Здесь показаны не все предупреждающие знаки.

Пешеходный переход

Будьте внимательны к людям, переходящим ваш путь. Эти знаки могут включать в себя мигающий желтый маяк, указывающий на то, что пешеход переходит, недавно переходил или собирается перейти.

Многоцелевой переход

Велосипедисты и пешеходы регулярно переходят дорогу в этом районе.

Кривая

Впереди поворот.

Sharp Turn

Впереди крутой поворот.

Шеврон

По знаку резкое изменение направления дороги.

Извилистая дорога

Дорога содержит серию поворотов или поворотов.

Повороты заднего хода

Дорога впереди поворачивает вправо, затем влево.

Перекресток

Впереди четырехсторонний перекресток. На дорогу может выходить перекресток.

Боковая дорога

Впереди Т-образный перекресток. Транспортное средство может выезжать на дорогу слева или справа.

Объединить

Трафик объединяется с показанной стороны.

Сокращение полосы движения

Указанная полоса скоро заканчивается. Транспортные средства на этой полосе должны переходить в проезжую полосу.

Впереди двустороннее движение

Дорога с односторонним движением соединяется с дорогой с двусторонним движением впереди. Вы столкнетесь с встречным движением.

Начало или конец разделенного шоссе

Эти знаки указывают начало или конец разделенного шоссе.Держитесь правее.

Stop Ahead

Впереди знак остановки. Сбавьте скорость и приготовьтесь остановиться.

Впереди сигнал

Впереди светофор. Притормози и будьте готовы остановиться.

Впереди пониженный предел скорости

Постепенно снижается до указанной скорости.

Впереди перекресток с круговым движением

Впереди перекресток с круговым движением.

Railroad Advance

Впереди железнодорожный переезд. Возможно, вам придется остановиться.

Низкий зазор

Передняя эстакада имеет небольшой просвет. Не продолжайте движение, если ваш автомобиль слишком высок, чтобы проехать под ним.

Холм

Впереди крутой подъем.

Консультативная скорость

Указывает безопасную скорость для съездов и поворотов автострады.Этот знак можно использовать с другими знаками. Знаки могут быть электронными и могут меняться в зависимости от текущих условий.

Скользкое во влажном состоянии

Тротуар необычно скользкий во влажном состоянии.

Олень

Олени часто переходят дорогу в этом районе. Быть начеку. Снизьте скорость, если увидите оленей или других диких животных.

Маршрутные, направляющие и информационные знаки

Маршрутные знаки показывают, по какому маршруту вы едете, и если это межгосударственная дорога, U.С. трасса, или государственная трасса.

Межгосударственный маршрут Маршрут США Государственное шоссе

Указатели или информационные знаки зеленые. Они дают информацию о выезде или показывают направление дорог или городов.

Число на знаке выхода поможет вам узнать, какой выход выбрать.

Коридоры безопасности

Коридоры безопасности — это участки автомагистрали, на которых ДТП со смертельным исходом и серьезными травмами больше, чем в среднем по штату.Включите свет в целях безопасности. Знаки, обозначающие коридоры безопасности, могут включать флажки в форме ромба.

Знаки истории, культуры и отдыха

Эти коричневые знаки указывают на исторических и культурных мест . Они также указывают на живописные места, площадки для пикников и парки.

Знаки обслуживания автомобилистов

Эти синие знаки говорят вам о услуг или объектов вдоль трассы.Эти знаки могут указывать на то, что у следующего выхода есть газ, еда и жилье, впереди есть зона отдыха, имеется зарядная станция для электромобилей или место или парковка доступны для человека с ограниченными возможностями. Также они могут указать дорогу в больницу.

Светофоры

Светофоры контролируют полосу отчуждения и обеспечивают плавное и упорядоченное движение. Если сигнал кажется темным, например, при отключении электричества, вам следует остановиться, как если бы во всех направлениях были знаки остановки.Если сигнал светофора не работает и мигает желтым или красным светом, вы должны подчиняться этому сигналу.

Горит красный

А горит красным сигналом означает остановку и остается остановленным, пока сигнал не изменится.

Вам разрешается делать следующие повороты на красный после полной остановки, если только знак или сотрудник полиции не указывает иное:

• При выезде на дорогу с двусторонним движением вы можете повернуть направо.
• При выезде на дорогу с односторонним движением вы можете повернуть направо или налево в направлении дороги с односторонним движением.

Мигающий красный

А мигающий красный сигнал рассматривается как знак остановки.

Красная стрела

А Постоянная красная стрелка означает остановку и остановку до изменения сигнала, за исключением разрешенных включений красного цвета. Те же повороты, которые разрешены для постоянного красного сигнала, разрешены для красной стрелки.

Непрерывно-желтый

А горит желтым цветом Сигнал предупреждает о том, что сигнал скоро станет красным.Остановитесь перед въездом на перекресток. Если вы не можете безопасно остановиться, проезжайте через него осторожно.

Мигающий желтый

А мигающий желтый сигнал означает сбавить скорость и действовать осторожно.

Желтая стрелка

А горит желтая стрелка предупреждает о приближении сигнала к красному цвету. Остановитесь перед въездом на перекресток или, если вы не можете безопасно остановиться, осторожно проезжайте по нему.

Мигающая желтая стрелка

А Мигающая желтая стрелка означает, что вы можете двигаться, указанное стрелкой, но сначала вы должны уступить дорогу пешеходам и встречным потокам. Встречный транспорт горит зеленым светом.

Горит зеленым

А зеленый сигнал означает, что все движения — прямо, налево или направо — разрешены, если только это не запрещено знаком.Левый поворот должен сначала уступать дорогу пешеходам и встречным потокам. Правые повороты должны сначала уступать дорогу пешеходам.

Зеленая стрелка

А Постоянная зеленая стрелка означает, что у вас есть преимущественное право и вы можете двигаться, указанное стрелкой.

Примеры вопросов теста

Что означает этот знак?

1. Повороты впереди.
2. Скользко во влажном состоянии.
3. Препятствие на дороге.

Нормативно-правовые нормы Запрещающие знаки красные и белые. Какой из этих знаков является запрещающим знаком?

1. Не входить.
2. Railroad Advance.
3. Впереди больница.

Если светофор не светится из-за отключения электроэнергии, вам следует:

1. подождать, пока полицейский направит движение.
2. относиться к нему как к знаку уступки.
3. относитесь к нему как к знакам остановки во всех направлениях.
   

Знакомство с набором данных о дорожных знаках Mapillary для обучающих машин глобальному пониманию дорожных знаков

Дорожные знаки являются ключевым элементом регулирования дорожного движения, ежедневно влияя на всех нас через навигацию и безопасность дорожного движения. С развитием автономного вождения крайне важно, чтобы не только люди, но и машины могли точно воспринимать и понимать дорожные знаки. Чтобы научить этому навыку транспортных средств, автоматизация процесса распознавания дорожных знаков была необходима в различных приложениях.В эпоху глубокого обучения большие объемы разнообразных обучающих данных являются одним из ключевых компонентов, позволяющих обучать нейронную сеть обнаружению и распознаванию дорожных знаков.

Чтобы разработать точные и надежные алгоритмы обнаружения и классификации дорожных знаков, мы разработали и скомпилировали набор данных дорожных знаков Mapillary — первый набор данных, охватывающий глобальное разнообразие дорожных знаков с вариациями внешнего вида и географической протяженности. Мы тщательно разработали рабочий процесс ручного аннотирования и расширили его с помощью алгоритмического метода для получения высококачественных аннотаций ограничивающих рамок дорожных знаков на всех выбранных изображениях.

• 100 000 изображений в высоком разрешении со всего мира с аннотациями ограничивающих рамок для более чем 300 классов дорожных знаков.
• Более 52 000 изображений дорожных знаков, проверенных и аннотированных вручную (~ 36 000 изображений для обучения, ~ 5 000 изображений для проверки и ~ 11 000 изображений для тестирования).
• Кроме того, более 48 000 изображений, на которых дорожные знаки частично аннотированы путем автоматического создания меток на соседних изображениях на основе информации соответствия из трехмерной реконструкции.
• Глобальный географический охват, охватывающий Северную и Южную Америку, Европу, Африку, Азию и Океанию.
• Высокая изменчивость погодных условий (солнце, дождь, снег, туман, дымка) и времени съемки (рассвет, дневной свет, сумерки и даже ночью).
• Широкий спектр датчиков камеры (включая панорамные изображения), различное фокусное расстояние, соотношение сторон изображения и различные типы шума камеры, а также различные точки обзора (с дороги, тротуаров и бездорожья).

Почему этот набор данных

Может показаться, что дорожные знаки имеют довольно стандартный вид и их относительно легко идентифицировать, но на самом деле это все еще довольно сложно. Вывески можно легко спутать с баннерами и рекламными щитами, они могут быть повреждены или скрыты деревьями или другими предметами, или их трудно увидеть в условиях низкой освещенности и из-за отражательной способности. Кроме того, они относительно малы по сравнению с другими объектами на улице, поэтому их особенно трудно распознать на расстоянии.И последнее, но не менее важное: не всегда легко понять, является ли знак другой версией в том же классе знаков или целым другим классом — с другим значением.

Было много попыток создать хорошие наборы данных о дорожных знаках для учебных целей. Однако существующие общедоступные наборы данных либо ограничены по масштабу, либо не имеют разнообразия по географическому распределению, типам датчиков, погодным и световым условиям и т. Д. Это серьезно ограничивает возможность обучения высокопроизводительных алгоритмов глубокого обучения и проведения комплексного тестирования дорожных знаков. система обнаружения или распознавания.

Мы создали этот набор данных, потому что нам самим нужны надежные обучающие данные. Имея более 570 миллионов изображений на платформе Mapillary, загруженных людьми со всех уголков мира, нам вместе удалось создать идеальную платформу для выбора изображений для набора обучающих данных.

Мы оптимизировали процесс добавления комментариев к дорожным знакам на этом изображении, чтобы обеспечить качество данных (подробнее о контроле качества см. Ниже). Помимо человеческих аннотаций, набор данных также содержит изображения с частичными аннотациями, сгенерированными машинами, с помощью которых мы надеемся проложить путь для будущих исследований в области полууправляемого обучения.Мы сделали набор данных доступным как для академических, так и для коммерческих исследований, поскольку считаем, что обмен данными имеет решающее значение для повышения безопасности дорожного движения во всем мире, а также для расширения границ исследований в области компьютерного зрения.

Посетите страницу набора данных, чтобы узнать больше и получить доступ к данным →

Статистика

Полностью аннотированный набор данных Mapillary Traffic Sign Dataset (MTSD) включает в общей сложности 52 453 изображения с 257 543 ограничивающими рамками дорожных знаков. Дополнительный, частично аннотированный набор данных содержит 47 547 изображений с более чем 80 000 знаков, которые автоматически помечаются информацией соответствия из трехмерной реконструкции.

Когда дело доходит до масштаба и разнообразия набора данных, мы помещаем его в перспективу предыдущих наборов данных в исследовательском сообществе. В этом случае мы сравнили с набором данных дорожных знаков Tsinghua-Tencent 100K (TT100K). TT100K — это набор данных дорожных знаков для конкретной страны с изображениями, собранными в Китае, который содержит 10 000 изображений с дорожными знаками и 90 000 фоновых изображений без каких-либо дорожных знаков.

Левый график на рисунке показывает сравнение распределения классов дорожных знаков между MTSD и TT100K.У МТСД примерно в два раза больше классов дорожных знаков, чем у ТТ100К. На графике посередине сравниваются области знаков в пикселях в исходном разрешении содержащего изображения. MTSD охватывает широкий диапазон размеров дорожных знаков с почти равномерным распределением до 256 пикселей. По сравнению с TT100K, MTSD обеспечивает более высокую долю экстремальных размеров, что помогает решить одну из серьезных проблем при обнаружении дорожных знаков.

Наконец, график справа показывает распределение изображений по количеству знаков в изображении.Помимо большего объема изображений, MTSD содержит большую часть изображений с большим количеством дорожных знаков.

Слева: количество классов дорожных знаков. В центре: количество знаков, разделенных по размеру. Справа: количество изображений, сгруппированных по количеству экземпляров дорожных знаков. (Щелкните график, чтобы увеличить его.)

По сравнению с глобальным набором данных, таким как набор данных Mapillary Vistas, MTSD содержит как больше изображений, так и аннотированные дорожные знаки. И что еще более важно, MTSD разработан специально для включения подробных аннотаций классов и атрибутов дорожных знаков, которые не включены в Vistas.

Географически, из рисунка ниже также видно, что изображения MTSD распространяются по всему миру с хорошим охватом разных стран. Это важно для обеспечения разнообразия классов дорожных знаков с точки зрения их внешнего вида и характеристик сцены, что является ключом к расширению возможностей обобщения набора данных при использовании для обучения алгоритмов машинного обучения для различных приложений.

Географическое распределение изображений

Контроль качества

Важным аспектом для эталонного теста или обучающего набора данных этого масштаба является качество аннотации.

Чтобы гарантировать качество аннотации, мы ввели аннотацию с непрерывным процессом контроля качества, чтобы быстро выявлять проблемы во время аннотации. Мы также ввели второй этап процесса контроля качества, выполняемый независимым аннотатором для 5000 случайных изображений, включая 26000 знаков. Мы обнаружили, что только 0,5% ограничивающих рамок нуждались в коррекции; уровень ложноотрицательных результатов составил 0,89% (в большинстве случаев это очень мелкие признаки), а уровень ложноположительных результатов — 2,45%.

Воздействие на обученных моделей

Учитывая масштаб и разнообразие набора данных, мы также изучили его эффективность в трансферном обучении.В частности, мы хотели бы показать, как глобальные аннотации в MTSD могут быть использованы для улучшения распознавания дорожных знаков в приложении для конкретной страны. В данном случае мы сосредоточились на оценке набора данных TT100K для Китая. Для задачи обнаружения, заключающейся в локализации всех ограничивающих рамок дорожных знаков на изображениях, мы выбрали популярную базовую линию обнаружения FasterRCNN с Feature Pyramid Network (FPN) и магистралью ResNet-50.

Мы оценили настройку предварительного обучения: один с набором данных ImageNet и один с MTSD.Набор данных ImageNet — это наиболее часто используемый набор данных в трансферном обучении для предварительного обучения векторных слоев нейронной сети. Для обеих конфигураций мы настроили сеть на TT100K.

Базовый уровень двоичного обнаружения, который был предварительно обучен с помощью MTSD, превзошел базовый уровень с ImageNet с абсолютным улучшением средней точности на 6,3%; в мультиклассовой установке мы получили абсолютное улучшение на 6,1%. Это очень значительный прирост производительности с точки зрения обнаружения дорожных знаков.

	AP	AP (малый)	AP (средний)	AP (большой)
Предварительное обучение ImageNet	91,27	84,01	95,87	90,13
Предварительная подготовка MTSD	97,6	93,13	99,03	98,44

Результаты двоичного обнаружения

	КАРТА	КАРТА (малая)	мАР (средний)	карта (большая)
Предварительное обучение ImageNet	89.6	83,9	93,0	84,3
Предварительная подготовка MTSD	95,7	91,3	96,9	96,7

Результаты мультиклассового обнаружения

Доступ к набору данных о дорожных знаках Mapillary

Набор данных о дорожных знаках Mapillary доступен как в коммерческой, так и в исследовательской версиях. Перейдите на страницу набора данных, чтобы узнать больше и получить доступ к набору данных. В настоящее время вы можете загрузить образцы изображений, но мы намерены улучшить страницу набора данных с возможностью интерактивного просмотра всего набора данных.

Мы с нетерпением ждем результатов исследований, достигнутых с помощью набора данных о дорожных знаках Mapillary и их приложений для повышения безопасности дорожного движения и навигации, особенно в отношении автономного вождения. Если у вас есть вопросы или комментарии, свяжитесь с нами.

/ Кристиан, инженер по компьютерному зрению

Чтобы начать работу, посетите страницу набора данных о дорожных знаках Mapillary →

Создание и обучение модели изображения трафика

Введение

Согласно отчету Всемирной организации здравоохранения (ВОЗ) за 2011 год, в дорожно-транспортных происшествиях погибает 1 человек.3 миллиона человек каждый год. К сожалению, серьезной причиной этого инцидента является нарушение дорожных знаков. Ситуация ухудшается для иностранных туристов и иностранцев из-за неправильной интерпретации или непонимания дорожных знаков, размещенных на иностранном языке.

Глубокое обучение — это новая развивающаяся технология для решения многих проблем с обнаружением изображений / объектов, особенно в здравоохранении, автономном вождении, распознавании лиц и домашней безопасности. Большой вопрос в том, можем ли мы применить глубокое обучение для решения реальных проблем, связанных с распознаванием дорожных знаков.Поскольку глубокое обучение продолжает развиваться, несомненно, что решающую роль будет играть технология обнаружения изображений. Интересно, что разработка передовых технологий обнаружения изображений улучшилась во много раз, оказывая существенное влияние на наш мир во всех смыслах.

Цель этой статьи — научить пользователей создавать модели искусственного интеллекта для прогнозирования значений немецких светофоров. Пользователи получат хорошее понимание модели искусственного интеллекта для обнаружения изображений, чтобы они могли применять те же знания для прогнозирования немецких изображений трафика, а затем использовать полученные знания для создания моделей прогнозирования искусственного интеллекта, связанных с их областью интересов.Мы предоставляем пошаговые инструкции по созданию приложения с использованием технологий Intel, специально предназначенного для прогнозирования немецких дорожных знаков для человека, не являющегося немецким, с целью объяснить их значение на английском языке обратно пользователю. Такая система важна при разработке приложений для беспилотных автомобилей.

Эта статья предназначена для широкого круга специалистов по ИИ, включая разработчиков ИИ, специалистов по обработке данных, инженеров по обработке данных, архитекторов решений и студентов колледжей. В нем рассматриваются основные инструменты и методы построения модели искусственного интеллекта для немецких дорожных знаков.Мы покажем, как развернуть модель ИИ в веб-приложении и перевести немецкие знаки на английский язык.


Рисунок 1. AI-модель светофора — схематическое изображение

Создание команды

Для разработки приложения AI для сценария использования, прогнозирующего дорожные знаки, DataTiles * рекомендует иметь команду Agile, в которую входят:

• Разработчик Python *
• Специалист по данным со знаниями в области глубокого обучения, особенно сверточных нейронных сетей (CNN)
• Специалист в предметной области, имеющий опыт обработки изображений, правил и регулирования светофоров, транспортных средств и т. Д.
• Разработчик интерфейсных приложений

Разработка немецкого дорожного знака модели

Мы начнем с предоставления общей картины модели изображения трафика, а затем рассмотрим технические аспекты построения такой модели. Вкратце, пользователь сфотографирует дорожный знак и загрузит его в приложение, чтобы попытаться предсказать значение и передать его пользователю.

Для этого приложения разработчик будет использовать платформу модель-представление-контроллер (MVC) для создания внешнего интерфейса, среднего уровня и серверной части приложения.Как показано на рисунке 2 ниже, представление содержит интерфейсную часть приложения, контроллер составляет средний уровень, а модель представляет собой серверную часть.


Рис. 2. Модель AI для немецкого светофора Вид, показывающий внешний интерфейс, контроллер и серверную часть.

Передняя часть (вид)

Внешний интерфейс будет построен с использованием HTML и CSS. Если вы предпочитаете, интерфейсную часть также можно разработать с использованием ReactJS, Ruby on Rails или другого интерфейсного инструмента. Основная цель заключается в том, чтобы интерфейсная часть предоставляла пользователю утилиту для загрузки фотографии дорожного знака и средство, с помощью которого пользователь может предсказать загруженный дорожный знак.Для текущего демонстрационного приложения мы создали кнопку «Прогноз» для внешнего интерфейса, чтобы использовать функцию Predict () для связи с сервером Flask, контроллером. Внешний интерфейс предоставляет изображение для предсказания функции Predict () . Изображение будет аргументом для функции Predict () .

Для эффективной работы приложения необходимы некоторые параметры, определяющие, какие изображения могут быть использованы. Для этого демонстрационного приложения изображение должно быть трехканальным RGB, чтобы его можно было правильно обработать.(Мы не тестировали приложение для изображений из каналов YUV, CMYK или HSV). В этом документе есть раздел о предварительной обработке изображений.

Средний уровень (Контроллер)

После того, как внешний интерфейс предоставляет изображение для Flask, функция Predict () вызывает модель, расположенную в серверной части. Затем функция Predict () распаковывает эту модель машинного обучения, расположенную в задней части. Впоследствии изображение, предоставленное интерфейсом пользователя, используется в качестве аргумента, и происходит прогнозирование.В результате появляется соответствующая метка класса для немецкого трафика.

Задняя часть (модель)

Серверная часть будет использовать машинное обучение с учителем для создания модели. Модель глубокого обучения будет создана с использованием Keras API и TensorFlow *. Будет загружен исходный набор данных «Немецкие изображения». Этот набор данных будет разделен на набор обучающих данных и набор тестовых данных. Поскольку мы применяем подход контролируемого машинного обучения, для обучения модели будут использоваться начальные 40 000+ изображений, эффективно обеспечивающие ее «основные корни».Теперь, когда появляется новое изображение, алгоритм машинного обучения должен уметь предсказывать правильную метку. Последующий набор тестовых изображений будет использоваться для тестирования модели. После того, как мы подобрали модель с точностью 98%, мы можем сохранить модель как файл .pickle , так как теперь она готова для прогнозирования нового изображения.

Наконец, рисунок 2 выше показывает, что на сервере Flask функция Predict () распаковывает созданную нами модель машинного обучения и использует изображение, предоставленное клиентской частью, для прогнозирования.Результатом является соответствующая метка класса для немецкого трафика, которая затем отображается в интерфейсе пользователя.

Подробности, относящиеся к техническим требованиям — установка и проверка технических компонентов, создание и активация виртуальных сред, а также обучение, сохранение и использование модели — четко объяснены в этом документе. В следующих разделах мы проведем разработчиков через технический процесс построения модели изображения трафика, как описано выше. В разделе приложения содержатся подробные сведения о форматировании изображений, структуре каталогов изображений и о том, как обучающие и прогнозные изображения были предварительно обработаны для данной модели.Исходный код Python * для модели изображения трафика также представлен в приложении.

Пошаговое руководство

Мы покрываем все технические требования к аппаратному и программному обеспечению, включая шаги, которые должен выполнить специалист по анализу данных или разработчик для создания и обучения модели AI Traffic Image на локальном компьютере.

Локальная машина

Мы протестировали инструкции на локальном компьютере, который соответствует следующим требованиям:

macOS *

High Sierra (Операционная система) версии 10.13,3
Процессор: 2,2 ГГц, Intel® Core ™ i7
Память: 8 ГБ
Графика: Intel HD Graphics 6000 1536 МБ

Система Ubuntu *

Идентификатор распространителя: Ubuntu
Описание: Ubuntu 16.04.3 LTS
Версия: 16.04
Кодовое имя: xenial
Память: 8 ГБ
Частота процессора: 2,400 ГГц

Подход

Следующие компоненты решения:

• Веб-приложение: это приложение-фляга. Страницы отображаются на стороне сервера с использованием колбы
.
• Автономное (пакетное) обучение модели: модель глубокого обучения обучается с использованием доступных данных
Развертывание модели
• : построенная модель глубокого обучения обслуживается как REST API с использованием Flask

Пошаговая инструкция

Эта информация относится к созданию виртуальной среды на macOS * или Ubuntu * для приложения модели ИИ.

Следующие инструкции предназначены для Mac * и должны выполняться локально.

Шаг 1. Установка Anaconda *

Загрузите Anaconda * и следуйте инструкциям по установке.

Шаг 2. Загрузите исходный код

Полный проект состоит из трех частей. Загрузите все три zip-файла и распакуйте весь проект.

Также загрузите файл traffic-signs-environment.zip, как показано в Приложении D.

После того, как все распаковано, проект должен соответствовать файловой организации, показанной на рисунке 3.


Рисунок 3. Организация компонентов проекта

Шаг 3. Установка необходимых пакетов (фреймворк, библиотеки)

В этом процессе используется Intel® Distribution для Python *; мы рекомендуем создать виртуальную среду для установки этого дистрибутива. Вы уже должны были загрузить файл environment.yml на предыдущем шаге — см. Приложение D. Он содержит список всех пакетов и библиотек Intel и сторонних производителей с правильной версией. Чтобы просмотреть список библиотек, откройте среду .yml в вашем терминале.

Выполните на терминале следующие команды:

conda update conda
Эта команда обновит conda

conda env create -f environment.yml
Эта команда создаст среду для приложения

source activate idp
Активируйте среду conda «idp», которая была создана на шаге выше

pip install —upgrade https: // storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.4.0-py3-none-any.whl —ignore-installed

Примечание. Если во время установки TensorFlow у вас возникнут проблемы с разрешениями, вы можете добавить —user с вышеупомянутым кодом. Наконец, вы увидите сообщение об успешной установке в терминале.

Обновите TensorFlow * для Mac. TensorFlow 1.4.0 зависит от процессора (зависит от устройства). Если у вас не установлен TensorFlow, вы можете получить его с помощью «pip install»

.

pip install keras —ignore-installed
Эта команда установит keras на ваш локальный компьютер.Это высокоуровневый API поверх TensorFlow, и мы будем писать модель в keras

.

python3 -c ‘импортировать тензорный поток как tf; print (tf .__ version__) ‘
Проверьте версию TensorFlow
Вывод: 1.4.0

python3 -c ‘import keras; print (keras .__ version__) ‘
Проверить версию keras
Вывод: 2.2.0

Шаг 4. Сбор, обработка и предварительная обработка данных

Источник данных

Данные об изображениях дорожных знаков Германии были собраны из исследовательской работы Stallkamp (Stallkamp et al, 2011) (GTSRB).Вы найдете те же данные в папке «data», которые вы уже загрузили на шаге 2 выше. Каждое входное изображение представляет собой отдельный дорожный знак. Обратитесь к Приложению C для получения дополнительной информации о наборе данных.

Предварительная обработка данных

Как упоминалось ранее, нам необходимо предварительно обработать изображения перед их загрузкой в ​​модель Traffic Image. Модель, которую мы в настоящее время разработали, принимает изображения для обучения и тестирования в определенном формате, поэтому предварительная обработка требуется как для наборов данных для обучения, так и для наборов данных для тестирования.Поскольку изображения доступны в нескольких форматах, вы можете соответствующим образом изменить или изменить модель изображения трафика. Ниже приводится объяснение конвейера, который мы использовали для предварительной обработки обучающих изображений и для предварительной обработки прогнозных изображений. Мы также предоставили соответствующий код Python для предварительной обработки изображений, специфичных для нашей модели Traffic Image; вы можете изменить этот код для другого форматирования в зависимости от требований модели.

Входные изображения предварительно обрабатываются, прежде чем их можно будет использовать для построения модели.Изображения нормализованы и центрированы. Затем размер каждого изображения изменяется до 48×48 пикселей и подается в модель для обучения.


Рисунок 4. Предварительная обработка изображений для обучения

Соответствующий код Python (build_model.py)

  # Нормализация гистограммы по y
hsv = color.rgb2hsv (img)
hsv [:,:, 2] = экспозиция.equalize_hist (hsv [:,:, 2])
img = color.hsv2rgb (HSV)
# центральная область
min_side = min (img.shape [: - 1])
center = img.shape [0] // 2, img.shape [1] // 2
img = img [center [0] -min_side // 2: center [0] + min_side // 2,
          center [1] -min_side // 2: center [1] + min_side // 2,
          :]

# масштабировать до стандартного размера
img = преобразовать.изменить размер (img, (IMG_SIZE, IMG_SIZE))
# повернуть ось цвета к оси 0
img = np.rollaxis (img, -1)

  

Во время прогнозирования входное изображение для тестирования предварительно обрабатывается так же, как это было сделано для обучения. Затем он вводится в модель для прогнозирования. Вот сводка изображений:

• Проблема классификации одного изображения, нескольких классов
• Более 40 классов
• Всего более 50 000 изображений
• Большая, реалистичная база данных
• Надежные достоверные данные благодаря полуавтоматической аннотации

Разделение набора данных изображения

Нам нужно разделить весь набор данных изображения на набор данных для обучения и набор данных для тестирования.Вот код для разделения наборов данных:

  модель. Подходит (X, Y,
batch_size = размер_пакета,
эпохи = nb_epoch,
validation_split = 0,2,
shuffle = True,
callbacks = [LearningRateScheduler (lr_schedule),
ModelCheckpoint (& # 39; ../ webapp / models / model.h5 & # 39;, save_best_only = True)]
)
  

Он разделит весь набор данных изображения в соотношении 80/20. Это означает, что 80% набора данных изображения предназначены для обучения модели, а 20% набора данных изображения предназначены для проверки точности модели. Вы можете изменить разделение до 75/25 простым изменением кода (validation_split = 0.25).

Для вашего удобства данные уже разделены для обучения (папка «train») и тестирования (папка «test»). Найдите эти папки в папке «data», которую вы уже загрузили на шаге 2.

(Если вы хотите создать новый каталог с именем «test» и «train» внутри папки данных, скопируйте все обучающие изображения в папку ~ / IA / DemoApp / data / train и тестовые изображения в папку ~ / Папка IA / DemoApp / data $ test ).

Набор обучающих данных

Набор данных тренировочного изображения имеет набор каталогов, каждый для одного дорожного знака, и список изображений, связанных с этим классом дорожных знаков в каталоге.Пример снимка экрана структуры каталогов обучающих изображений показан на рисунке 5. Обучающие изображения сгруппированы по соответствующим папкам; каждая папка содержит 30 изображений для одного физического дорожного знака. Каждый каталог содержит один CSV-файл с аннотациями (« GT- .csv ») и обучающие изображения. Каждый набор данных тестового изображения следует аналогичному шаблону.


Рисунок 5. Структура каталогов набора обучающих данных

Шаг 5. Построение модели

После создания среды и разделения набора данных изображения пора написать код для построения модели сверточной сети для обнаружения изображений.Разработка серверной части для этого приложения включает обучение модели CNN с помощью набора данных обучающего изображения. Обученную модель можно сохранить в формате .h5.

Мы готовы кодировать модель трафика. В этом разделе показаны пошаговые инструкции о том, как получить доступ к папке модели , а затем, как построить модель образа трафика в папке модели .

~ / IA / DemoApp $ cd model
# Доступ к папке «модель»
~ / IA / DemoApp / model $ vi build_model.py
# build_model файл был использован для построения модели образа трафика в папке модели

ПРИМЕЧАНИЕ: build_model.py был разработан DataTiles специально для создания и обучения ФОРМАТИРОВАННЫХ изображений трафика. См. Приложение A: Исходный код файла build_model.py *, чтобы увидеть исходный код build_model.py

Теперь вы будете использовать python для выполнения файла build_model.py, используя следующую команду:

~ / IA / DemoApp / модель $ / anaconda3 / bin / ipython build_model.ру

Модель

имеет точность 97,63%. См. Приложение B для получения дополнительной информации о точности модели и функции потерь.

Эта команда создаст файл model.h5 и файлы классификации lables.pkl в папке / IA / DemoAPP / webapp / models . Эти два файла необходимы клиентской части для прогнозирования. На этом завершается построение и сохранение модели прогнозирования изображения трафика DataTiles. Эта модель будет интегрирована с клиентским приложением.

Шаг 6. Создание внешнего интерфейса и внутреннего интерфейса для прогнозирования изображения

Внешний интерфейс приложения построен с использованием Flask. Пользовательский интерфейс демонстрационного приложения создается с использованием HTML, а CSS — с помощью начальной загрузки (https://getbootstrap.com/). Flask — это микро-фреймворк для Python, основанный на Werkzeug и Jinja 2, который представляет собой полнофункциональный шаблонизатор для Python. Приложение отображается на стороне сервера. Все страницы построены на сервере. Модель обучается в пакетном режиме.После обучения модели она сериализуется. В приложении Flask модель загружается и остается в ОЗУ (памяти) сервера, а прогнозы теперь обслуживаются в режиме реального времени.


Рисунок 6. Предварительная обработка изображения для прогнозирования

Соответствующий код Python (build_model.py)

  # Нормализация гистограммы по y
hsv = color.rgb2hsv (img)
hsv [:,:, 2] = экспозиция.equalize_hist (hsv [:,:, 2])
img = color.hsv2rgb (HSV)
# центральная область
min_side = min (img.shape [: - 1])
center = img.shape [0] // 2, img.shape [1] // 2
img = img [center [0] -min_side // 2: center [0] + min_side // 2,
          center [1] -min_side // 2: center [1] + min_side // 2,
          :]
# масштабировать до стандартного размера
img = transform.resize (img, (IMG_SIZE, IMG_SIZE))
# повернуть ось цвета к оси 0
img = np.rollaxis (img, -1)

# Извлечь img из объекта
если img.dtype == 'object':
    img = img [0]
# Конвертировать RGBA в rgB
если img.shape [2] == 4:
    img = color.rgba2rgb (img)
  

Когда входное изображение загружается в приложение и нажимается кнопка прогнозирования, вызывается API, обслуживаемый Flask.Функция API использует функцию прогнозирования объекта модели для прогнозирования дорожного знака. После того, как прогноз получен из модели, создается страница ответа, которая отправляется в браузер для визуализации.


Рисунок 7. Взаимодействие модели и приложения / веб-сервера

app.py — это главный файл, который использует index.html . index.html использует простые теги HTML и CSS для создания интерфейса. Внутренняя модель построена с использованием кода Python; найдите код в build_model.py файл. Мы используем Flask в качестве веб-сервера.

Шаг 7. Запуск демонстрационного приложения AI дорожного знака

По завершении построения, обучения и сохранения модели прогнозирования изображений и интеграции серверной части с клиентским приложением все приложение отправляется в облако.

В этом разделе показано, как использовать демонстрационное приложение AI для прогнозирования изображений трафика с помощью серии снимков экрана. Демонстрационное приложение AI размещено в облаке.Мы используем браузер Google Chrome, чтобы предоставить пошаговые инструкции по использованию приложения.

Теперь, чтобы развернуть приложение Flask, перейдите в папку webapp и выполните следующие команды (при условии, что вы находитесь в папке модели):

компакт-диск ../webapp

python app.py 127.0.0.1

Это запустит сервер и развернет приложение. После запуска сервера вы можете открыть его по ссылке браузера (локальный хост).

При доступе к демонстрационному приложению через URL-адрес вы попадаете на домашнюю страницу приложения.


Рис. 8. Домашняя страница приложения Demo AI

Интерфейсное приложение будет обращаться к тестовым изображениям трафика, хранящимся или размещенным в облаке или на локальном рабочем столе.


Рисунок 9. Выбор тестового (данных / тестового) изображения для прогнозирования его метки

Выберите изображение трафика, для которого модель должна предсказывать метку, и нажмите кнопку Открыть .

После того, как вы выбрали файл изображения трафика, щелкните Predict .Приложение предсказывает метку для файла изображения трафика, используя серверную часть.


Рисунок 10. Предсказание метки выбранного изображения


Рис. 11. Правильное предсказание метки приложением AI

Когда вы закончите прогнозировать метку для выбранного изображения трафика, нажмите кнопку Model Demo, чтобы перейти на домашнюю страницу приложения.

Заключение

В этой статье рассказывается о построении моделей искусственного интеллекта, которые предсказывают значение немецких светофоров.Эти пошаговые инструкции охватывают использование моделей ИИ для обнаружения изображений, позволяя разработчикам ИИ, инженерам, архитекторам решений и другим лицам применять эту информацию для прогнозирования немецких изображений трафика, а затем использовать эти знания для создания приложений, связанных с их областью интересов. . Теперь ваша очередь: начните использовать технологии Intel для новых решений, которые предсказывают немецкие дорожные знаки и предупреждают пользователей, не являющихся немецкими, об их значении на английском или любом другом языке.

Присоединяйтесь к программе Intel® AI Developer Program

Чтобы узнать больше о технологиях Intel® для искусственного интеллекта, зарегистрируйтесь в программе Intel® AI Developer Program и получите доступ к основным учебным материалам, сообществу, инструментам и технологиям для ускорения разработки AI.

Приложение A. Исходный код для файла

build_model.py *

build_model.py * был разработан DataTiles * специально для создания и обучения отформатированных немецких изображений трафика.

build_model.py файл:

  # © DataTiles.io, DataTiles.ai
#! / glob / intel-python / python3 / bin / питон

# Чтобы собрать и развернуть приложение, нам нужно импортировать ряд библиотек Python. Ниже приведены наши ключевые библиотеки:

# numpy: это фундаментальный пакет для научных вычислений с Python.Это помогает нам манипулировать матрицами.
# pandas: это высокоуровневая абстракция поверх numpy, предоставляющая нам простые в использовании возможности анализа данных.
# sklearn: это базовая библиотека машинного обучения на Python.
# skimage: это базовая библиотека обработки изображений в Python
# keras: Keras - одна из самых популярных библиотек глубокого обучения в Python. Он обеспечивает абстракцию более высокого уровня для ряда библиотек глубокого обучения, таких как Tensorflow.
# joblib: Joblib помогает нам сериализовать модель глубокого обучения.импортировать numpy как np
импортировать панд как pd
from skimage import io, color, экспозиция, преобразовать
из sklearn.cross_validation import train_test_split
импорт ОС
импортный глобус
импорт h5py
из keras.preprocessing.image import ImageDataGenerator
из keras.models import Sequential, model_from_json
from keras.layers.core import Dense, Dropout, Activation, Flatten
из keras.layers.convolutional import Conv2D
из keras.layers.pooling import MaxPooling2D
от keras.optimizers импортные SGD
из keras.utils импортировать np_utils
из кераса.обратные вызовы import LearningRateScheduler, ModelCheckpoint
из keras импортировать бэкэнд как K
K.set_image_data_format ('каналы_первый')
из matplotlib импортировать pyplot как plt
импорт joblib
NUM_CLASSES = 43
IMG_SIZE = 48


# Предварительная обработка изображений помогает нам лучше обучать модели глубокого обучения. Входные изображения могут иметь разные настройки # объектива и освещения. Нормализация интенсивности пикселей помогает обеспечить более быстрое схождение моделей. В этом случае рассмотрите возможность получения
# изображения с плохой контрастностью из-за бликов.Нормализация гистограммы помогает нам решить многие из этих проблем.

# Входные изображения имеют разные формы и размеры. Хотя нормализация гистограммы помогает нормализовать интенсивность, дорожный знак
# все еще может быть выключено и присутствовать в разных частях изображения. На этом этапе мы стандартизируем изображения до 32 x 32. Сначала сделаем стрижку по
# стороны выполняются по центру. Урожай основан на стороне минимального размера.
# Это гарантирует, что центр останется на виду.Затем изображение изменяется до 32 x 32.
# Следующая функция предварительно обрабатывает необработанные изображения с использованием функций, определенных выше, перед использованием для обучения модели глубокого обучения. Файл данных H5 означает иерархический формат данных. Он содержит многомерный массив числовых данных. Он предназначен для хранения и # # организации больших объемов данных.
# Нам нужно обработать изображения и сохранить их в формате HDF5. Это достигается в следующем наборе кода.
# В этом коде каждое изображение считывается, и на нем выполняются функции предварительной обработки.Полученные изображения сохраняются в формате HDF5 и сохраняются на диске. Для каждого изображения также сохраняется соответствующий ему класс.


# # Предварительная обработка изображения
def preprocess_img (img):
    # Нормализация гистограммы по y
    hsv = color.rgb2hsv (img)
    hsv [:,:, 2] = экспозиция.equalize_hist (hsv [:,:, 2])
    img = color.hsv2rgb (HSV)

    # центральная область
    min_side = min (img.shape [: - 1])
    center = img.shape [0] // 2, img.shape [1] // 2
    img = img [center [0] -min_side // 2: center [0] + min_side // 2,
              center [1] -min_side // 2: center [1] + min_side // 2,
              :]

    # масштабировать до стандартного размера
    img = преобразовать.изменить размер (img, (IMG_SIZE, IMG_SIZE))

    # повернуть ось цвета к оси 0
    img = np.rollaxis (img, -1)

    вернуть img

def get_class (img_path):
    вернуть img_path.split ('/') [- 2]

# # Предварительная обработка обучающих изображений в массив numpy

get_ipython (). система ('rm X.h5')

пытаться:
    с h5py.File ('X.h5') как hf:
        X, Y = hf ['imgs'] [:], hf ['ярлыки'] [:]
    print ("Загруженные изображения из X.h5")
    
кроме (IOError, OSError, KeyError):
    print ("Ошибка чтения X.h5. Обработка всех изображений ...")
    root_dir = '/ home / userid / demoPP / data / train'
    imgs = []
    label = []
    #print («здесь»)
    all_img_paths = glob.glob (os.path.join (root_dir, '* / *. png'))
    #Распечатать("---")
    #print (all_img_paths)
    np.random.shuffle (all_img_paths)
    для img_path в all_img_paths:
        пытаться:
            img = preprocess_img (io.imread (img_path))
            метка = get_class (img_path)
            imgs.append (img)
            label.append (метка)

            если len (imgs)% 1000 == 0: print ("Обработано {} / {}". format (len (imgs), len (all_img_paths)))
        кроме (IOError, OSError):
            print ('пропущено', img_path)
            проходить

    X = np.массив (imgs, dtype = 'float32')
    Y = np.array (pd.get_dummies (pd.DataFrame (метки)))

    с h5py.File ('X.h5', 'w') как hf:
        hf.create_dataset ('imgs', данные = X)
        hf.create_dataset ('метки', данные = Y)

# Определение модели. Сверточные нейронные сети - это современные модели распознавания изображений. У нас есть несколько # классов и около 50 тысяч точек данных. Построение очень глубокой сети может привести к чрезмерной подгонке, а построение модели с меньшим количеством # слоев может привести к снижению точности.# Для задачи такого размера хорошее начало - трехслойная CNN. Мы наблюдаем за точностью проверки, а затем решаем, нужно ли нам # увеличивать или уменьшать слои.
# В стандартной модели CNN за каждым сверточным слоем следует максимальный уровень объединения, за которым следует слой исключения.
# Сверточный слой помогает в идентификации / преобразовании функций. Примеры включают в себя: обнаружение краев, резкость и т. Д. Сверточный слой характеризуется общими весовыми коэффициентами, что уменьшает количество весов, которые необходимо изучить на этом уровне.Это делает его мощным # (по сравнению с многослойным персептроном). Кроме того, в этом слое сохраняется макет изображений. Это гарантирует, что многие характеристики
# изображения используются и изучаются на этапе обучения.

# Как только мы идентифицируем особенности (скажем, края) в сверточном слое, относительные положения менее важны, чем области, в которых они существуют.
# Maxpooling достигает этого. Пропуски помогают избежать переобучения. Параметр (здесь: 0,2) сообщает, что 20% нейронов недоступны для обучения во время этого конкретного пакета.Это делает его надежным.
# Последний слой - это плотный классификационный слой. Мы проводим мультиклассовую классификацию, поэтому softmax является подходящим выбором.
# классификатор.

# Для обучения модели, помимо архитектуры, вам необходимо определить следующее:
#Optimizer: это алгоритм, который будет использоваться для обновления весов. Мы будем использовать стохастический градиентный спуск.
# Самый популярный оптимизатор. Другие варианты: адаград, адам и т. Д.

# Для SGD мы будем использовать категориальную перекрестную энтропию.Потери кросс-энтропии возрастают по мере того, как прогнозируемая вероятность отклоняется от фактической метки.
# Скорость обучения: рекомендуется составлять график скорости обучения.
# Фиксированная скорость обучения может быть либо слишком агрессивной, либо слишком консервативной. Если он слишком агрессивен, он может не сойтись, а если он слишком
# консервативно, обучение может занять много времени. В идеале начальная скорость обучения должна быть агрессивной, и по мере продолжения обучения она
# становится все более и более консервативным. Это гарантирует, что наиболее перспективный регион будет быстро увеличен и медленно / итеративно,
# лучшие параметры модели изучаются в этом регионе.# Мы использовали Keras с TensorFlow, так как вы можете достичь своих целей с Kera с меньшим количеством строк кода. Вы можете добиться тех же результатов, используя только код TensorFlow, но код будет намного длиннее и сложнее.
# TensorFlow также имеет преимущества, включая поддержку Python и Numpy, абстракцию вычислительного графа, более быстрое время компиляции, чем Theano, TensorBoard для визуализации и параллелизм данных и моделей.


# # Определить модель keras

def cnn_model ():
    model = Последовательный ()

    model.add (Conv2D (32, (3, 3), padding = 'same',
                     input_shape = (3; IMG_SIZE; IMG_SIZE),
                     активация = 'relu'))
    модель.add (Conv2D (32, (3, 3), Activation = 'relu'))
    model.add (MaxPooling2D (размер_пул = (2, 2)))
    model.add (Выпадение (0.2))

    model.add (Conv2D (64, (3, 3), padding = 'same',
                     активация = 'relu'))
    model.add (Conv2D (64, (3, 3), Activation = 'relu'))
    model.add (MaxPooling2D (размер_пул = (2, 2)))
    model.add (Выпадение (0.2))
    
model.add (Conv2D (128, (3, 3), padding = 'same',
                     активация = 'relu'))
    model.add (Conv2D (128, (3, 3), Activation = 'relu'))
    model.add (MaxPooling2D (размер_пул = (2, 2)))
    модель.добавить (Выпадение (0,2))
    model.add (Сглаживание ())
    model.add (Плотный (512, активация = 'relu'))
    model.add (Выпадение (0,5))
    model.add (Плотный (NUM_CLASSES, активация = 'softmax'))
    модель возврата

модель = cnn_model ()
# давайте обучим модель используя SGD + импульс (как оригинально).
lr = 0,01
sgd = SGD (lr = lr, распад = 1e-6, импульс = 0.9, нестеров = True)
model.compile (loss = 'category_crossentropy',
          optimizer = sgd,
          метрики = ['точность'])


def lr_schedule (эпоха):
    return lr * (0.1 ** int (эпоха / 10))

# Теперь, когда архитектура модели определена, вам нужно обучить модель на данных.Устанавливаем размер партии 32.
# Параметр nb_epoch определяет количество запускаемых эпох.
# В Keras есть функция «подгонки», которая тренирует модель.
# Мы используем 20% данных в качестве проверки, а оставшиеся используем для обучения. После каждой эпохи печатаются оценки обучения и проверки.
# Мы используем планировщик скорости обучения для управления процессом обучения. Он начинается с высокой скорости обучения, а затем скорость обучения снижается. Этот
# помогает быстро сузиться до области, где у нас есть наибольшие шансы найти параметры модели с наименьшей ошибкой.# После каждой эпохи, если точность валидации является лучшей на данный момент в процессе обучения, модель (веса) устанавливаются (сохраняются) в # имя файла, указанное в параметре контрольной точки модели.
  

Этикетки также сериализованы. Это нужно нам, чтобы найти дорожный знак по метке.

  # # Обучение модели

batch_size = 32
nb_epoch = 3

model.fit (X, Y,
          batch_size = размер_пакета,
          эпохи = nb_epoch,
          validation_split = 0.2,
          shuffle = True,
          callbacks = [LearningRateScheduler (lr_schedule),
                    ModelCheckpoint ('/ home / userid / demoPP / webapp / models / model.h5', save_best_only = True)]
         )

классификации_labels = pd.get_dummies (pd.DataFrame (label)). columns

joblib.dump (метки_классификации, "/home/userid/demoPP/webapp/models/classification_labels.pkl")


  

Приложение B. Функция точности и потерь для модели

Ниже показано, что точность модели составляет 97.63%. Мы используем 3 эпохи (итерации) для этой модели.

~ / IA / DemoApp / model $ source активировать idp
~ / IA / DemoApp / model $ / anaconda3 / bin / ipython build_model.py

/anaconda3/lib/python3.6/site-packages/sklearn/cross_validation.py:41: DeprecationWarning: этот модуль устарел в версии 0.18 в пользу модуля model_selection, в который перемещены все реорганизованные классы и функции. Также обратите внимание, что интерфейс новых итераторов CV отличается от интерфейса этого модуля.Этот модуль будет удален в версии 0.20.

/anaconda3/lib/python3.6/site-packages/h5py/__init__.py:34: FutureWarning: преобразование второго аргумента issubdtype из `float` в` np.floating` устарело. В будущем он будет рассматриваться как `np.float64 == np.dtype (float) .type`.

из ._conv импортировать register_converters как _register_converters

Использование серверной части TensorFlow.

/anaconda3/lib/python3.6/importlib/_bootstrap.py:219: RuntimeWarning: время компиляции версии 3.5 модуля tensorflow.python.framework.fast_tensor_util не соответствует версии среды выполнения 3.6

return f (* args, ** kwds)

Ошибка чтения X.h5. Обработка всех изображений …

/anaconda3/lib/python3.6/site-packages/skimage/transform/_warps.py:84: UserWarning: режим по умолчанию, «постоянный», будет изменен на «отражать» в skimage 0.15.

warn («Режим по умолчанию» постоянный «будет изменен на» отражать «в»

Обработано 1000/39209
Обработано 2000/39209
Обработано 3000/39209
Обработано 4000/39209
Обработано 5000/39209
Обработано 6000/39209
Обработано 7000/39209
Обработано 8000/39209
Обработано 9000/39209

329
Обработано 11000/39209
Обработано 12000/39209
Обработано 13000/39209
Обработано 14000/39209
Обработано 15000/39209
Обработано 16000/39209 Обработано 16000/39209
Обработано 17000/39209
Обработано 18000/3920909
Обработано 18000/39209
209
209
209
209
209
209
Обработано 21000/39209
Обработано 22000/39209
Обработано 23000/39209
Обработано 24000/39209
Обработано 25000/39209
Обработано 26000/39209
Обработано 27000/39209
Обработано 28000/39209
209
209 209
Обработано 31000/39209
Обработано 32000/39209
Обработано 33000/39209
Обработано 34000/39209
Обработано 35000/39209
Обработано 36000/39209 9 0132 Обработано 37000/39209
Обработано 38000/39209
Обработано 39000/39209

11 февраля 2018, 11:46:51.755885: I tensorflow / core / platform / cpu_feature_guard.cc: 137] Ваш ЦП поддерживает инструкции, для использования которых этот двоичный файл TensorFlow не был скомпилирован: SSE4.1 SSE4.2 AVX AVX2 FMA

Обучить на 31367 образцах, проверить на 7842 образцах

Эпоха 1/3

31367/31367 [==============================] — 1596 с 51 мс / шаг — потеря: 1.0481 — согласно: 0.7129 — val_loss: 0,0973 — val_acc: 0,9749

Эпоха 2/3

31367/31367 [==============================] — 1520 сек 48 мс / шаг — потеря: 0.1514 — согласно: 0.9576 — val_loss: 0.0430 — val_acc: 0.9880

Эпоха 3/3

31367/31367 [==============================] — 1510 с 48 мс / шаг — потеря: 0,0848 — согласно: 0,9763 — val_loss: 0,0472 — val_acc: 0,9894

Приложение C. Набор данных изображений

Немецкий набор данных изображений трафика, используемый для этого демонстрационного приложения, взят из исследовательских работ профессора Сталлкампа. Пожалуйста, обратитесь к http://benchmark.ini.rub.de/?section=gtsrb&subsection=dataset для полного объяснения набора данных.

Цитата

Дж. Сталлкамп, М. Шлипсинг, Дж. Салмен и К. Игель. Немецкий эталон распознавания дорожных знаков: соревнование по классификации на несколько классов. В материалах Международной совместной конференции IEEE по нейронным сетям, страницы 1453–1460. 2011.

Приложение D. environment.yml

  имя: idp
каналы:
  - разведка
  - значения по умолчанию
зависимости:
  - астроид
  - щелкнуть
  - колба
  - изорт
  - это опасно
  - ленивый объект-прокси
  - Маккаб
  - пиллинт
  - werkzeug
  - завернутый
  - appnope
  - asn1crypto = 0.22.0 = py36_0
  - backports = 1.0 = py36_intel_6
  - bleach = 2.0.0 = py36_intel_0
  - bzip2 = 1.0.6 = intel_13
  - certifi = 2017.7.27.1 = py36_intel_0
  - cffi = 1.10.0 = py36_intel_0
  - chardet = 3.0.4 = py36_intel_0
  - криптография = 2.0.3 = py36_intel_0
  - cycler = 0.10.0 = py36_intel_5
  - cython = 0.27.1 = py36_intel_0
  - daal = 2018.0.1.20171012 = 1
  - декоратор = 4.1.2 = py36_intel_0
  - точки входа = 0.2.3 = py36_intel_0
  - freetype = 2.8 = intel_0
  - get_terminal_size = 1.0.0 = py36_intel_5
  - hdf5 = 1.10.1 = intel_0
  - html5lib = 0.999999999 = py36_intel_0
  - icc_rt = 2018.0,0 = intel_0
  - idna = 2.6 = py36_intel_0
  - intelpython = 2018.0.0 = 3
  - intelpython3_core
  - intelpython3_full = 2018.0.1 = 0
  - ipykernel = 4.6.1 = py36_intel_0
  - ipython = 6.1.0 = py36_intel_0
  - ipython_genutils = 0.2.0 = py36_intel_0
  - ipywidgets = 7.0.0 = py36_intel_0
  - jinja2 = 2.9.6 = py36_intel_0
  - jsonschema = 2.6.0 = py36_intel_0
  - jupyter = 1.0.0 = py36_intel_5
  - jupyter_client = 5.1.0 = py36_intel_0
  - jupyter_console = 5.1.0 = py36_intel_0
  - jupyter_core = 4.3.0 = py36_intel_1
  - libpng = 1.6.32 = intel_0
  - llvmlite = 0.20.0 = py36_intel_0
  - markupsafe = 1.0 = py36_intel_0
  - matplotlib = 2.0.2 = np113py36_intel_1
  - mistune = 0.7.4 = py36_intel_1
  - мкл
  - mkl_fft = 1.0.0 = np113py36_intel_15
  - mkl_random = 1.0.0 = np113py36_intel_6
  - mpmath = 0.19 = py36_intel_5
  - nbconvert = 5.2.1 = py36_intel_0
  - nbformat = 4.4.0 = py36_intel_0
  - нос = 1.3.7 = py36_intel_16
  - блокнот = 5.0.0 = py36_intel_0
  - numba = 0.35.0 = py36_intel_0
  - numexpr = 2.6.2 = np113py36_intel_5
  - numpy = 1.13.3 = py36_intel_6
  - openmp = 2018.0.0 = intel_8
  - openssl = 1.0.2l = intel_0
  - панды = 0.20.3 = np113py36_intel_4
  - pandocfilters = 1.4.1 = py36_intel_0
  - path.py = 10.3.1 = py36_intel_0
  - pexpect = 4.2.1 = py36_intel_1
  - pickleshare = 0.7.4 = py36_intel_1
  - pip = 9.0.1 = py36_intel_0
  - prompt_toolkit = 1.0.15 = py36_intel_0
  - ptyprocess = 0.5.2 = py36_intel_0
  - pycparser = 2.18 = py36_intel_0
  - pydaal = 2018.0.1.20171012 = np113py36_intel_0
  - pygments = 2.2.0 = py36_intel_1
  - pyopenssl = 17.2.0 = py36_intel_0
  - pyparsing = 2.2.0 = py36_intel_0
  - pysocks = 1.6.7 = py36_intel_0
  - pytables = 3.4.2 = np113py36_intel_2
  - питон = 3.6.3 = intel_3
  - python-dateutil = 2.6.0 = py36_intel_3
  - pytz = 2017.2 = py36_intel_3
  - pyyaml ​​= 3.12 = py36_intel_3
  - pyzmq = 16.0.2 = py36_intel_4
  - запросы = 2.18.4 = py36_intel_0
  - scikit-learn = 0.19.0 = np113py36_intel_6
  - scipy = 0.19.1 = np113py36_intel_23
  - setuptools = 27.2.0 = py36_intel_0
  - simplegeneric = 0.8.1 = py36_intel_5
  - шесть = 1.10.0 = py36_intel_8
  - sqlite = 3.20.1 = intel_0
  - sympy = 1.1.1 = py36_intel_0
  - tbb = 2018.0.1 = py36_intel_3
  - tcl = 8.6.4 = intel_17
  - terminado = 0.6 = py36_intel_6
  - testpath = 0.3.1 = py36_intel_0
  - tk = 8.6.4 = intel_26
  - торнадо = 4.5.2 = py36_intel_0
  - traitlets = 4.3.2 = py36_intel_1
  - urllib3 = 1.22 = py36_intel_0
  - wcwidth = 0.1.7 = py36_intel_5
  - webencodings = 0.5.1 = py36_0
  - колесо = 0.29.0 = py36_intel_5
  - widgetsnbextension = 3.0.2 = py36_0
  - xz = 5.2.3 = intel_0
  - yaml = 0.1.7 = intel_0
  - zlib = 1.2.11 = intel_3
  - пункт:
    - backports.shutil-get-terminal-size == 1.0.0
    - enum34 == 1.1.6
    - h5py == 2.7.1
    - joblib == 0.11
    - keras == 2.1.2
    - уценка == 2.6.10
    - networkx == 2.0
    - олефил == 0,44
    - подушка == 4.3.0
    - protobuf == 3.5.1
    - pywavelets == 0.5.2
    - scikit-image == 0.13.1
    - таблицы == 3.4.2
  

Мои четырехсторонние дорожные сигналы

На этой странице представлены четырехсторонние сигналы. Некоторые изображения ниже представляют собой анимированные GIF-файлы, и для их полной загрузки может потребоваться некоторое время. Некоторые изображения загружают статическое (не анимированное) изображение, которое можно анимировать с помощью наведя курсор мыши на картинку. CROUSE HINDS TYPE T PAGODA PORTHOLE 4-ХОДОВОЙ СИГНАЛ Вот Crouse Hinds типа T пагода иллюминатор 4-х сторонний сигнал.Этот сигнал поступал в 1922-1925 гг. В тело его представляет собой одно сплошное литье. Крыша съемная, литая. железо. Остальная часть корпуса отлита из алюминия. Этот сигнал был довольно состояние хорошее для своего возраста. Части внутри сигнала, удерживающие стеклянные отражатели были стальными и ржавыми. Я нашел ржавчину снял и пропитал все держатели отражателей в нем, а затем перекрасил их. Кузов, двери, козырьки и крыша сигнала были все пороховыми. с покрытием.Этот сигнал весит 137 фунтов! CROUSE HINDS DT 2 РАЗДЕЛ 4-ХОДОВОЙ СИГНАЛ Это необычно выглядящий сигнал, но в самые первые дни светофоров многие из них были сделаны без янтарной части, с которой мы знакомы в наши дни. Время на очистку все еще требовалось, так что это было достигнуто за счет красный и зеленый свет горят на 3 или 4 секунды, показывая, что сигнал собирается дать дорогу встречным движением.В этом сигнале есть контроллер, который также выполняет обе последовательности, показанные здесь. как 4-сторонняя вспышка и маяк с прыгающим мячом. Вам нужно будет сменить линзы для последовательность прыгающего мяча. Наведите указатель мыши на левую анимацию выше, чтобы перевести сигнал в режим мигающей 4-сторонней остановки! Я лично никогда не видел, чтобы такие сигналы действительно использовались, и полагал, что это ушло в прошлое, НО там Некоторые сигналы БЕЗ янтарной индикации все еще используются в Нью-Йорке. около 2000 г. ОБНОВЛЕНИЕ! Я поменял зеленые линзы и на анимации ниже используйте этот сигнал в виде четырехсторонней остановки прыгающего мяча. The Контроллер печатной платы в сигнале может выполнять операцию красный зеленый, а также отскок мяча, как показано ниже. CROUSE HINDS DT 3 РАЗДЕЛ 4-ХОДОВОЙ СИГНАЛ Фотографии одного и того же сигнала, только сделанные в разное время. Наведите указатель мыши на изображение, чтобы оживить их. Нажмите на либо изображение, чтобы узнать больше об этом сигнале и о том, как он был восстановлен. EAGLE 4-ХОДОВОЙ СИГНАЛ № 1 Этот четырехходовой орел был выигран на Ebay. Он поступил от продавца в Огайо. Это было в таком хорошее состояние, что было оставлено в первоначальном состоянии. Наведите указатель мыши на левое изображение, чтобы сделайте это последовательностью. Вы можете просмотреть анимацию демонтажа этого четырехстороннего сигнала орла, щелкнув здесь. Анимация состоит из 45 отдельных картинок, поэтому может потребоваться некоторое время. время для полной загрузки. EAGLE 4-ХОДОВОЙ СИГНАЛ № 2 Этот 4 способ пришел из Royal Oak, Мичиган. До середины 1990-х годов в городе Ройал-Оук многие из них использовались 4-ходовыми путями. Обратите внимание, что конфигурация козырька такая же, как на фотографиях Орла. кластеры из Окленда. Городской рабочий на пенсии из Royal Oak этот сигнал в его подвале много лет.Он стал частью The Traffic Музей сигналов в июле 2006 года. Наведите указатель мыши на картинку, чтобы сигнальная последовательность. CROUSE HINDS ART DECO 4 WAY CLUSTER Группа сигналов в подобной установке называется кластером. Эта установка не является истинным 4-сторонним сигналом, но кажется подходящей на этой странице, поскольку это 4-сторонний кластер. Щелкните здесь, если хотите увидеть, как выглядели эти сигналы, когда они были получены и идет процесс их восстановления.Наведите указатель мыши на картинку справа, если вы хотите увидеть последовательность сигналов. УИЛЬЯМ ПОТТС 4-ХОДОВОЙ СИГНАЛ РЕПЛИКА Здесь является копией первого из когда-либо созданных 4-сторонних сигналов. Оригинал Путь Поттса 4 сейчас висит в музее Генри Форда. Чтобы увидеть больше информации об оригинальном Potts и о том, как я построил реплику, щелкните здесь. Эта копия управляется специально созданным контроллером печатной платы. ЮЖНЫЙ АВТОМОБИЛЬНЫЙ 4-ХОДОВОЙ СИГНАЛ Этот 4 способ был разработан компанией The Southern Switch Co, Шривпорт, штат Луизиана. Первоначально они были производителем электрических устройств. Этот конкретный дизайн сигнала был сделан в конец 1940-х гг.Этот сигнал пришел только с 3 козырьками. Они были в стиле визитки. Южный Сигналы Autoflow не очень распространены, поэтому я решил заменить найти оригинальные козырьки с модифицированными туннельными козырьками Eagle. Наведите указатель мыши на изображение, чтобы составить сигнальную последовательность. Вы можете увидеть, что этот сигнал мог выглядеть так, если бы оригинальные козырьки были на Веб-сайт Signalfan. Чтобы увидеть больше этого сигнала, нажмите здесь. МАРБЕЛИТ 4-ХОДОВОЙ СИГНАЛ Этот 4 способ был разработан Марбелит.Это очень острый взгляд сигнал! У него необычные козырьки, которые выглядят как сочетание туннеля и разрезные козырьки. Многие сборщики сигналов называют эти козырьки туннелями. козырьки. Стеклянные линзы и отражатели. Линзы похожи на большие бусинки-смайлики, которые использовал Краус Хиндс, за исключением, очевидно, отсутствия улыбки. На объективе есть логотип. Это заглавная буква M с молниеносным болтом. через это. Наведите указатель мыши на изображение, чтобы составить сигнальную последовательность.Чтобы прочитать небольшую недавнюю историю этого сигнала, нажмите здесь. HARRINGTON SEABERG 4-ХОДОВОЙ СИГНАЛ Это самые старые 12 световых четырехходовых. сигнал в этой коллекции. Предполагается, что этот сигнал будет сделан в 1920-е гг. Это всего лишь предположение. Харрингтон Сиберг в итоге стал Eagle Signal.Иглу сделали операцию в Молине, штат Иллинойс, в г. один раз и круглые двери-иллюминаторы на этом сигнале также говорят, что Молин Иллинойс на них. Между этим сигналом и другие сигналы этой эпохи. Крыша идеально сочетается с крышей на Дарли. 4-х сторонний маяк в этой коллекции. Четыре стороны этого сигнала: каждая — сплошная панель, а не секции, как четыре способа, которые были сделаны позже. У сигналов Дарли были двери иллюминатора, которые нужно было полностью удалить из сигнал на замену лампочки.Двери иллюминатора на этом сигнал имеет петли, предотвращая случайное падение сигнальной техники дверь на землю. Большинство командных линз в этом сигнале Линзы Crouse Hinds, но они подходят к эпохе этого сигнала. Наведите указатель мыши на изображение, чтобы составить сигнальную последовательность. Нажмите здесь, чтобы увидеть некоторые изображения до — во время — после этих сигналов восстановление. ОБЩИЙ ЭЛЕКТРИЧЕСКИЙ 4-ХОДОВОЙ СИГНАЛ 4-сторонний сигнал General Electric.Этот сигнал похож на Четырехходовой маячок General Electric в этой коллекции. Если вы хотите увидеть больше изображений этого сигнала, нажмите здесь. Наведите указатель мыши на картинку, чтобы составить последовательность сигналов. DARLEY 3 ЛАМПОЧКИ 4-ХОДОВОЙ СИГНАЛ Вот Дарли 4 пути. Дарли сделал множество вариаций 4-х сторонних сигналов. Маяки с одной лампочкой, 4 лампы маяки, 2 лампы 4 направления (только красные, зеленые линзы) 8 лампочек 4 стороны (красный, только зеленые линзы) 3 лампочки RYG 4 контакта и 12 лампочек RYG 4 стороны.Это 3 лампочка RYG сигнала. У него есть одна лампочка на каждый уровень или секцию, поэтому на основном стороны сигнала, линзы расположены нормально с красным на сверху и зеленый снизу, а по сторонам переулка зеленый и красный находятся в перевернутом положении. Слева — анимация сигнала. последовательность с видами как на главную улицу, так и на переулки. Благодарить Медведь за то, что сделал для меня анимацию !!! Вы также можете просмотреть видео последовательности сигналов здесь.Этот сигнал — единственный сигнал в этой коллекции, имеющий оригинальный Контроллер установлен внизу сигнала. Чтобы увидеть фотографии контроллер, щелкните здесь. Вы заметите, что зеленые линзы Дарли более зеленые, чем другие зеленые линзы в других сигналах. DARLEY 2 ЛАМПОЧКИ 4-ХОДОВОЙ СИГНАЛ Вот очень уникальный сигнал. Как Дарли 3 лампы выше, у него только 1 лампочка на секцию, , поэтому линзы перевернуты на двух стороны.Чистота достигается за счет наличия обеих лампочек. сразу. Самодельный кулачковый контроллер запускает этот сигнал и устанавливается внутри сигнала. Видео контроллера ниже. МАСТЕР 4-ХОДОВОЙ СИГНАЛ 4-ходовой сигнал Master. Этот Первоначально сигнал служил в небольшом городке Блаффтон, штат Огайо.Было принято выведен из эксплуатации в 2011 году, а затем выставлен на продажу на Craigslist. Линзы типа E, которые очень похожи на длинный болт из марбелита. линзы и большие бусинки смайликов Crouse Hinds (без улыбки). К увидеть некоторые изображения до / после этого сигнала нажмите здесь. SINGER 4-ХОДОВОЙ СИГНАЛ 4-сторонний сигнал Singer.Этот Считается, что сигнал служил в Хендерсоне, штат Техас. Он не видел много уличное обслуживание и находится в очень хорошем первоначальном состоянии. Певица издала светофоры в 1970-х, так что этот 4-х ходовой, вероятно, самый «молодой» в этой коллекции. Сарджент Соуэлл, TSI и Teeco 4 почти идентичны этому сигналу. Имя певца бросается в крышу этого сигнала. Этот сигнал пришел с поли линзами, но я их заменил на стеклянные Kopp 4777 или пилообразные линзы. Зубья были замечены в сигналах TSI и Teeco.

.

No related posts.