《人工智能应用导论》项目二 驾驭物体识别 教学课件.pptxVIP

人工智能应用导论

项目二

驾驭物体识别——让机器更聪明

目录CONTNETS植物检测手写数字识别探究鸢尾花品种1234识别图像中的动物

知识目标1.了解图像识别、生物特征识别。2.了解智能识别的应用及发展。3.了解图像分类问题类型以及常见图像分类方法步骤。技能目标1.能根据项目需求采用合理方法进行数据采集。2.会对采集后的数据进行简单处理。3.能够联系实际生活，列举出智能识别的应用。素养目标1.培养学生科技创新意识。2.养成正向的人工智能对社会发展的价值观。

植物检测01

一、植物检测中的数据采集要实现目标检测，就需要对有答案的目标图片进行学习。本次植物检测项目需要检测上海青、生菜、芹菜和苦苣菜四类植物，因此，我们需要大量采集这四类植物不同生长状态、不同角度的图像数据，为后续的数据标注、机器学习做准备。目前采集图像数据的方式有很多种，比如以下几种：（1）使用手机（相机）拍摄照片。（2）使用手机（相机）拍摄视频，然后转换为图像。（3）使用爬虫技术从网络上获取。

二、数据标注（一）安装LabelImg工具在进行数据标注之前，需要先安装LabelImg。在Anaconda中安装和启动LabelImg的方法如下：（1）打开Anacondaprompt，输入命令pipinstalllabelimg进行安装。（2）安装成功后，直接输入命令labelimg即可打开LabelImg标注工具。LabelImg软件界面，如图2-1所示。

二、数据标注（二）使用LabelImg标注并制作植物检测的数据集（1）准备两个文件夹JPEGImages和Annotations，将要进行标注的图片全部放到JPEGImages里面，Annotations用来保存标注好的xml图像信息文件。01（2）选择数据集格式。02（4）打开要标注的图像文件后，使用工具栏中的Create\nRectBox开始画框。04（3）加载数据和确定数据保存文件夹。03（5）点击左侧工具栏的NextImage图标转到下一张图片。05

三、搭建YOLOv3虚拟环境（一）创建虚拟环境步骤1：打开AnacondaPrompt，输入condacreate-ntf_115python==3.7指令，即创建一个名字为tf_115的虚拟环境。接着会提示是否继续，输入“y”继续创建，如图2-6所示。步骤2：安装tensorflow-gpu1.15版本，并测试tensorflow是否成功调用GPU。输入命令pipinstalltensorflow-gpu==1.15。注意：本任务对应的是tensorflow-gpu1.15版本。

三、搭建YOLOv3虚拟环境（二）安装本任务需要的其他库打开AnacondaPrompt，注意要先进入之前创建的tf_115的虚拟环境（即输入命令condaactivatetf_115），然后分别输入以下命令：pipinstallopencv-pythonpipinstallkeras==2.1.5pipinstallpillowpipinstallmatplotlibpipinstallnumpypipinstallh5py==2.10运行命令后的效果如图2-11所示。

四、制作数据集23145（5）修改model_data文件夹下的voc_classes.txt文件，将类别修改为植物检测中的四类标注信息。（4）运行voc_annotation.py文件，会得到3个后缀为.txt的文件，它们对应的是训练集、测试集以及验证集的图片的名称。（2）回到PyCharm中，在VOC2007文件夹中新建train_text.py文件，并写入如下代码，目的是将我们的xml文件切分为训练集和测试集，这里设置的两者比例是8∶2。（3）此时，test.txt、train.txt、val.txt这几个文件并不能直接被YOLOv3读取，需要再进行一次转换。（1）把数据集文件夹放在项目文件夹的根目录下。

五、使用Kmeans算法获得先验框anchor_box事实上，制作完数据集后就可以对其进行训练了。但是因为当前的anchor_box是原作者在coco数据集上通过Kmeans得到的，并不一定适合我们现在的植物检测数据集，所以我们需要在植物检测数据上使用Kmeans得到9个适合当前数据集的anchor_box，以得到最好的检测框。

六、模型训练（一）制作生成器在开始训练之前，我们需要把数据集制作成一个生成器的结构，以便一边训练，一边读取数据，可以大大减轻内