分类导航

程序问答发布时间：2022-06-02 发布网站：大佬教程 code.js-code.com

大佬教程收集整理的这篇文章主要介绍了如何在 Python 中的神经网络中为图像上边界框的关键点创建输出，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。

如何解决如何在 Python 中的神经网络中为图像上边界框的关键点创建输出？

开发过程中遇到如何在 Python 中的神经网络中为图像上边界框的关键点创建输出的问题如何解决？下面主要结合日常开发的经验，给出你关于如何在 Python 中的神经网络中为图像上边界框的关键点创建输出的解决方法建议，希望对你解决如何在 Python 中的神经网络中为图像上边界框的关键点创建输出有所启发或帮助；

我制作了我的第一个卷积神经网络，它可以对图像 (220,220) 上的一个对象进行分类。对象类只有两个 - 狗和猫。我的电脑上有 3385 张狗和猫的“.jpg”图片。我有关于每个对象（1 或 0）的类的信息。此外，我还有关于对象周围边界框（0.0 是图像的左/上角，1.0 是图像的右/下角）的两个角坐标（从 0.0 到 1.0）的信息。卷积网络必须有 5 个输出（类的 1 个输出和两个角坐标的 4 个输出：x1,y1,x2,y2）。我有 3047 个训练图像“x_Train”形状（3047、220、220、3）和“y_Train”形状（3047、5）中的标签信息。还有 338 个“x_test”形状的测试图像（338、220、220、3）和“y_test”中的测试标签。例如， y_Train[0] 有这样的元素数组([1.,0.555,0.18,0.70833333,0.395 ])。但是我的神经网络有这样的预测结果预测[0]是数组([1.,0.,0.],dtype=float32)。 np.sum(preDiction) 是 338.0，这是测试图像的数量。在训练期间，参数从“损失：4.8534 - 准确度：0.5938”增加到“损失：533785.6875 - 准确度：1.0000”。谁能帮我提供建议，我做错了什么？

#SumMary:
#Model: "sequential_1"
#conv2d_2 (Conv2D)            (None,220,32)      896       
#max_pooling2d_2 (MaxPooling2 (None,110,32)      0 
#conv2d_3 (Conv2D)            (None,64)      18496     
#max_pooling2d_3 (MaxPooling2 (None,55,64)        0         
#flatten_1 (Flatten)          (None,193600)            0         
#dense_2 (DensE)              (None,128)               24780928  
#dense_3 (DensE)              (None,5)                 645 
#@R_639_10586@l params: 24,800,965
#Trainable params: 24,965
#Non-Trainable params: 0

import os
import cv2
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import numpy as np
import matplotlib.pyplot as plt
from tensorflow import keras
from tensorflow.keras.layers import Dense,Flatten,Dropout,Conv2D,MaxPooling2D
import time

model = keras.Sequential([
    Conv2D(32,(3,3),padding='same',activation='relu',input_shape=(220,3)),MaxPooling2D((2,2),StriDes=2),Conv2D(64,activation='relu'),Flatten(),Dense(128,Dense(5,activation='softmax')
])

print(model.sumMary())
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
his = model.fit(x_Train,y_Train,batch_size=32,epochs=2,valIDation_split=0.5)
model.evaluate(x_test,y_test)
preDiction = model.preDict(x_test)
print(np.sum(preDiction))
# >>> 338.0