人工智能中，自动驾驶汽车是如何自动识别交通标志的？

内容：
了解数据集。
步骤0：导入库和数据集。
步骤1：数据预处理。
步骤2：数据可视化。
ConvNets背后的直觉。
步骤3：训练模型。
步骤4：模型评估。
动机：由于特斯拉等公司在电动汽车自动化方面的努力，无人驾驶汽车正变得非常受欢迎。为了成为5级自动驾驶汽车，这些汽车必须正确识别交通标志并遵守交通规则。在识别出这些交通标志之后，它还应该能够适当地做出正确的决定。

了解数据集：
德国交通标志基准测试是在2011年国际神经网络联合会议（IJCNN）上举行的多类单图像分类挑战。请在此处下载数据集。数据集具有以下属性：
https://www.kaggle.com/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign

单图像，多分类问题
超过40个类别
总共超过50,000张图像
大型逼真的数据库

步骤0：导入库和数据集：
在第一步中，将导入所有标准库以及将作为数据和标签存储的数据集。导入Tensorflow是为了使用Keras，cv2解决计算机视觉相关的问题以及PIL处理不同的图像文件格式。

Importing standard libraries

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import cv2
import tensorflow as tf
from PIL import Image

Importing dataset

import os
data = []
labels = []
classes = 43
cur_path = os.getcwd()
for i in range(classes):
    path = os.path.join(cur_path, 'train', str(i))
    images = os.listdir(path)

    for a in images:
        try:
            image = Image.open(path + '\\'+ a)
            image = image.resize((30, 30))
            image = np.array(image)
            data.append(image)
            labels.append(i)
        except:
            print("Error loading image")

步骤1：资料预处理：
为了处理数据，将使用numpy将其转换为数组。然后，使用形状函数验证数据集的尺寸。然后，使用train_test_split函数以80:20的比率将数据集分为训练和测试数据。Y_train和Y_test包含43个整数形式的类，不适合模型。因此，将使用to_categorical函数将其转换为二进制形式。

# Converting to array
data = np.array(data)
labels = np.array(labels)
# Dataset Dimensions - (Number of Images, Width, Length, Color channels)
print("Dataset dimensions : ",data.shape)
output:   
Dataset dimensions :  (39209, 30, 30, 3)
# Splitting the dataset into train and test
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(data, labels, test_size = 0.2, random_state = 42)
# Checking dimensions - (Number of Images, Width, Length, Color channels)
print("X_train shape : ", X_train.shape)
print("X_test shape : ", X_test.shape)
print("Y_train shape : ", Y_train.shape)
print("Y_test shape : ", Y_test.shape)
output:
X_train shape :  (31367, 30, 30, 3)
X_test shape :  (7842, 30, 30, 3)
Y_train shape :  (31367,)
Y_test shape :  (7842,)
# Converting integer class to binary class
from keras.utils import to_categorical
Y_train_categorical = to_categorical(Y_train, 43)
Y_test_categorical = to_categorical(Y_test, 43)

第2步：数据可视化：
将使用imshow函数使数据集中的特定图像可视化。该数据集中的图像高度为30px，宽度为30px，并具有3个颜色通道。

# Visualizing Dataset Images
i = 100
plt.imshow(X_train[i])
print("Sign category :",Y_train[i])

ConvNets背后的直觉
由于卷积神经网络能够检测和识别图像中的各种对象，因此在计算机视觉应用中非常流行。

用外行的话来说，CNN基本上是一开始就具有卷积运算的完全连接的神经网络。这些卷积运算可用于检测图像中的定义图案。它类似于人脑枕叶中的神经元。ConvNets的体系结构使用3层构建，然后堆叠形成完整的ConvNet体系结构。以下是三层：

1、卷积层。
2、池化层。
3、完全连接。

卷积层：卷积层是ConvNet的核心部分，它执行所有计算量大的任务。在整个图像中遍历特定模式的内核或过滤器，以检测特定类型的特征。该遍历的输出将导致一个称为要素图的二维数组。该特征图中的每个值都通过ReLU函数传递，以消除非线性。
池化层：该层负责减少数据量，因为它减少了计算量和处理所需的时间。有两种类型的池化：平均值池和最大值池。顾名思义，“最大”池返回最大值，“平均”池返回内核覆盖的图像部分的平均值。
完全连接：上一步收到的二维输出数组通过展平过程转换为列向量。该向量被传递到多层神经网络，该网络通过一系列时期学习使用Softmax函数对图像进行分类。

步骤3：训练模型

```python
# Importing Keras Libraries
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Dense, Flatten, Dropout
# Creating Neural network Architecture
# Initialize neural network
model = Sequential()
# Add 2 convolutional layers with 32 filters, a 5x5 window, and ReLU activation function
model.add(Conv2D(filters = 32, kernel_size = (5, 5), activation = 'relu', input_shape = X_train.shape[1:]))
model.add(Conv2D(filters = 32, kernel_size = (5, 5), activation = 'relu'))
# Add max pooling layer with a 2x2 window
model.add(MaxPool2D(pool_size = (2, 2)))
# Add dropout layer
model.add(Dropout(rate = 0.25))
# Add 2 convolutional layers with 32 filters, a 5x5 window, and ReLU activation function
model.add(Conv2D(filters = 64, kernel_size = (3, 3), activation = 'relu'))
model.add(Conv2D(filters = 64, kernel_size = (3, 3), activation = 'relu'))
# Add max pooling layer with a 2x2 window
model.add(MaxPool2D(pool_size = (2, 2)))
# Add dropout layer
model.add(Dropout(rate = 0.25))
# Add layer to flatten input
model.add(Flatten())
# Add fully connected layer of 256 units with a ReLU activation function
model.add(Dense(256, activation = 'relu'))
# Add dropout layer
model.add(Dropout(rate = 0.5))
# Add fully connected layer of 256 units with a Softmax activation function
model.add(Dense(43, activation = 'softmax'))
# Summarizing the model architecture
model.summary()
output:
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 26, 26, 32)        2432      
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 22, 22, 32)        25632     
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 11, 11, 32)        0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 11, 11, 32)        0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 9, 9, 64)          18496     
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 7, 7, 64)          36928     
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 3, 3, 64)          0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 3, 3, 64)          0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 576)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 256)               147712    
_________________________________________________________________
dropout_3 (Dropout)          (None, 256)               0         
_________________________________________________________________
dense_2 (Dense)              (None, 43)                11051     
=================================================================
Total params: 242,251
Trainable params: 242,251
Non-trainable params: 0
_________________________________________________________________
# Compile neural network
model.compile(loss = "categorical_crossentropy", optimizer = "adam", metrics = ["accuracy"])
# Train neural network
history = model.fit(X_train, Y_train_categorical, batch_size = 32, epochs = 15, validation_data = (X_test, Y_test_categorical))
Output after 15 epochs:
Epoch 15/15
31367/31367 [==============================] - 98s 3ms/step - loss: 0.2169 - acc: 0.9485 - val_loss: 0.0835 - val_acc: 0.9787

步骤4：模型评估：

# Ploting graph - Epoch vs Accuracy
plt.plot(history.history['acc'], label='training accuracy')
plt.plot(history.history['val_acc'], label='val accuracy')
plt.title('Accuracy')
plt.xlabel('epochs')
plt.ylabel('accuracy')
plt.grid()
plt.legend()
plt.show()

准确性与时代

# Ploting graph - Epoch vs Loss
plt.plot(history.history['loss'], label='training loss')
plt.plot(history.history['val_loss'], label='val loss')
plt.title('Loss')
plt.xlabel('epochs')
plt.ylabel('loss')
plt.grid()
plt.legend()
plt.show()

损失与时代

# Calculating Accuracy Score
from sklearn.metrics import accuracy_score
y_test = pd.read_csv('Test.csv')
labels = y_test["ClassId"].values
imgs = y_test["Path"].values
 
data = []
 
for img in imgs:
    image = Image.open(img)
    image = image.resize((30,30))
    data.append(np.array(image))
 
X_test = np.array(data)
 
pred = model.predict_classes(X_test)
 
from sklearn.metrics import accuracy_score
print("Accuracy Score : ",accuracy_score(labels, pred))
Output:
Accuracy Score :  0.9499604117181314

欢迎大家的阅读，如果大家有不同的意见可以发表在留言区，我们一起学习，共同进步。