fire_finder.rar

1、基于tensorflow作为后台框架 2、使用keras作为前端 3、使用google inceptionV3作为训练模型 4、训练结果保存为h5 5、使用opencv for python拉流摄像头识别火焰

# 以下三行禁用GPU使用CPU进行训练
# import os
# os.environ[“CUDA_DEVICE_ORDER“] = “PCI_BUS_ID“  
# os.environ[“CUDA_VISIBLE_DEVICES“] = “-1“

from tensorflow import keras
from keras.applications.inception_v3 import InceptionV3
import numpy as np
from keras.preprocessing.image import ImageDataGenerator
from keras import models
from keras import layers
import os
from keras import optimizers
from keras.utils import to_categorical
import matplotlib.pyplot as plt
from keras.preprocessing.image import ImageDataGenerator
from keras.applications.inception_v3 import InceptionV3preprocess_input
from keras.layers import GlobalAveragePooling2DDenseDropout
from keras.models import Model
from keras.utils.vis_utils import plot_model
from keras.optimizers import Adagrad
# 回调函数，每个训练批次调用一次
from keras.callbacks import ModelCheckpoint


# 动物数据预处理
imgdata_dir = ‘E:/fireimages/sources1‘

# 不使用数据增强
img_datagen = ImageDataGenerator（rescale=1./255）

mbatch_size = 20

# 使用数据增强
# train_datagen = ImageDataGenerator（rescale=1./255 rotation_range=30. width_shift_range=0.2 height_shift_range=0.2 shear_range=0.2 zoom_range=0.2 horizontal_flip=True）
# val_datagen = ImageDataGenerator（rescale=1./255 rotation_range=30. width_shift_range=0.2 height_shift_range=0.2 shear_range=0.2 zoom_range=0.2 horizontal_flip=True）

# 使用迭代器生成图片张量
img_generator = img_datagen.flow_from_directory（imgdata_dir target_size=（320 320） batch_size=mbatch_size class_mode=‘binary‘）
# 获取照片数量
img_count = img_generator.n
# print（img_generator.n）
# print（len（img_generator.labels））
print（img_count / 5）
img_cut = int（img_count / 5）
print（img_cut）
# 提取数据，因为构造器生成的数据标签是一维向量我们要分类10种不同的类型，所以需要将数据提取出来，并将标签one-hot
labels = []
datas = np.zeros（（img_count 320 320 3））

for i in range（len（img_generator））:
    aa = img_generator.next（）
    labels = np.hstack（（labels aa[1]））
    for j in range（len（aa[1]））:
        datas[mbatch_size * i + j] = aa[0][j]

train_datas = datas[img_cut:]
train_labels = labels[img_cut:]

val_datas = datas[:img_cut]
val_labels = labels[:img_cut]

# print（resnet_base.summary（））
# model = models.Sequential（）


‘‘‘
resnet_base.trainable = False
flag = False
for layer in resnet_base.layers:
    if layer.name == ‘res5c_branch2a‘:
        flag = True
    if flag:
        layer.trainable = True
‘‘‘
‘‘‘
setup_to_transfer_learning（modelbase_model）
history_tl = model.fit（train_data train_labels epochs=10 validation_data=（val_data val_labels））
model.save（‘E:/KaggleDatas/idenprof-jpg/idenprof/flowers17_iv3_tl.h5‘）
setup_to_fine_tune（modelbase_model）
history_ft = model.fit（train_data train_labels epochs=10 validation_data=（val_data val_labels））
model.save（‘E:/KaggleDatas/idenprof-jpg/idenprof/flowers17_iv3_ft.h5‘）
‘‘‘
‘‘‘
setup_to_transfer_learning（modelbase_model）
history_tl = model.fit_generator（generator=train_generator
                    epochs=5
                    validation_data=val_generator
    

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

    I.A....      3164  2020-07-05 21:32  firefinder-ocv-auto.py

    I.A....      5979  2020-07-05 09:55  firefinder-inceptionV3-1.py

----------- ---------  ---------- -----  ----

                 9143                    2