000000000000-新东方前途出国

YGXY简答题：

• 确认标注的目标：如车辆、来往行人、交通标志、信号灯等
• 选择标注工具：如使用开源工具labeling
• 绘制边框：使用标注工具在标注对象周围绘制出紧密贴合的矩形框，边框需准确覆盖目标范围
• 添加标签：为当前绘制的边框添加相应的标签
• 保持标注结果：当前图片和标注信息使用相同命名

 

存在的问题：

• 采集数据未获得相关部门审批
• 数据采集的方法太过单一，效率较低

优化方案：

• 确认采集的目标
• 自行采集，问卷调查
• 通过互联网（爬虫技术）进行采集
• 向相关机构申请已经采集的数据
• 数据存储：存储到指定硬盘或网络存储

 

• 删除重复数据：如删除XXX
• 去除模糊/缺陷图片：如删除XXX
• 处理异常图片：如删除XXX
• 数据格式错误：如删除XXX
• 重命名不一致名称：如删除XXX

 

• 降低模型的复杂度
• 增加训练数据
• 进行数据清洗：数据量过大，尽量不安排全样检测；不要安排原有标注员进行检测

 

• 重复数据
• 数据模糊，可提取特征信息少

 

3 模型导入

model=tf.keras.models.load_model('znxl002.h5')

4 算法测试(评估)

model.evaluate(test_image, test_label)

 

3 模型导入[ ]:

model=tf.keras.models.load_model('znxlsj003.h5')

4 设计预测predict_fun()函数[ ]:

def predict_fun(img)：

    img=tf.expand_dims(img,0)

    return model.predict(img)

5 用predict_fun()函数预测指定的图片[ ]:

print(class_label[np.argmax(y1)])

print(class_label[np.argmax(y2)])

print(class_label[np.argmax(y3)])

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

获取图像文件名并打乱

## 获取图片文件名并打乱

image_path = './data_force/'

# 获取data目录下所有文件名，filename_list用于存放目录下的文件名称

filename_list = os.listdir(image_path)

# 将后缀为'.jpg'的文件名放入filename_list列表中

filename_list = [file for file in filename_list if (file.split('.')[-1] == 'png')]

# 图片文件数量

num = len(filename_list)

# 打乱文件名称顺序

random.shuffle(filename_list)

# 输出乱序后的图片文件名列表

print('共{}图片，文件名列表：'.format(num))

print(filename_list)

 

 

## 图像处理

# 随机将源数据的50%的图片进行水平翻转

flip_num = int(num * 0.5) # 定义翻转图片数量

flipped_img_list = [] # 翻转后图片存储的列表

for n in range(flip_num):

    # 水平翻转img_list中的图像

    flipped_img = cv2.filp(img_list[n], 1)

    # 翻转后存入flipped_img列表中

    flipped_img_list.append(flipped_img)

print('图像翻转成功！！！')

 

# 随机将源数据的40%的图片旋转15度

random.shuffle(img_list) # 打乱列表中图像的顺序

rotate_num = int(num * 0.4) # 定义旋转图片数量

rotated_img_list = [] # 旋转后图片存储的列表

for n in range(rotate_num):

    # 获取图像高度、宽度

    height, width = img_list[n].shape[0:2]

    # 将图像中心设为旋转中心

    center = (width / 2, height / 2)

    angle = 15 # 旋转角度

    scale = 1.0 # 缩放比例

    # 生成旋转举证

    M = cv2.getRotationMatrix2D(center, angle, scale)

    # 使用旋转矩阵旋转图片（仿射变换）

    rotated_img = cv2.warpAffine(img_list[n], M, (width, height))

    # 旋转后存入rotated_img列表中

    rotated_img_list.append(rotated_img)

print('图像旋转成功！！！')

 

图像保存

# 定义图像保存路径

img_save_path = './123/'

# 如果路径不存在则创建文件夹

if not os.path.exists(img_save_path):

    os.makedirs(img_save_path)

 

# 保存翻转后的图像

for n in range(flip_num):

    cv2.imwrite((img_save_path + 'flipped_{}.jpg').format(n), flipped_img_list[n])  # 图像保存

print('翻转后的图像保存成功！！！')

# 保存旋转后的图像

for n in range(rotate_num):

    cv2.imwrite((img_save_path + 'rotated_{}.jpg').format(n), rotated_img_list[n])  # 图像保存

print('旋转后的图像保存成功！！！')

 

 

记事本打开另一个

import cv2  #打开文件的库opencv

import os  #读取文件的库

# 配置路径

image_path = "./data_force/"  # 原始图片路径

# 读取所有图片文件名

filename_list = [f for f in os.listdir(image_path) if f.endswith(('.jpg', '.jpeg', '.png'))]

num = len(filename_list)  #获取长度

img_list = []  #定义空列表（装新路径的地址+名称）

print(filename_list)

# 读取图片并存入列表

for filename in filename_list:

    img = cv2.imread(image_path + filename)  # <1> 读取图片

    img_list.append(img)

if(len(img_list) == num):

    print("读取图像成功!!!")

print(img_list)

# 翻转15%的图片（垂直翻转，参数0表示垂直翻转）

flip_num = int(num * 0.15)

for n in range(flip_num):

    img_list[n] = cv2.filp(img_list[n], 0)  # <2> 垂直翻转图片

print("图像翻转成功!!!")

 

# 将人脸图片放大至2倍

for n in range(num):

    height, width = img_list[n].shape[0:2]  #取图片属性中的前面两个属性；

    img_list[n] = cv2.resize(img_list[n], (width*2, height*2))  # <3> 放大图片

print("图像放大成功!!!")

 

img_save_path = "../abc/"

if not os.path.exists(img_save_path):

    os.makedirs(img_save_path)

 

# 保存处理后的图片

for n in range(num):

    cv2.imwrite(img_save_path + filename_list[n], img_list[n])  # <4> 保存图片

print(f"{filename_list[n]} 保存成功")

 

保存-mts python data_force.py-运行

 

 

 

 

 

 

 

 

 

 

# 1.导入comment.csv

comment_df = pd.read_csv('comment_csv')

 

# 查看数据集信息

comment_df

 

# 2.找到导入表格中的“节目评分”一列，将列中的空值用平均数填充

comment_df['节目评分'] = comment_df['节目评分'].fillna(comment_df

['节目评分'].mean())

 

# 查看数据集信息

comment_df

 

# 3.找到导入表格中的“评论”一列，将其中为空值的行整行删除

comment_cleaned_df = comment_df.dropna(subset=['评论'])

 

#查看数据集信息

comment_cleaned_df

 

# 4.找到导入表格中的“用户”一列，将列中的空值用中位数填充

comment_df['用户'] =comment_df['用户'].fillna(comment_df['用户'].median())

 

# 查看数据集信息

comment_df

 

# 5.保存新表格命名为“2.1-comment_cleaned.csv”

comment_cleaned_df.to_csv('./2.1-comment_cleaned.csv',index = False)

 

 

 

 

 

 

 

 

 

 

# 1.导入comment.csv

comment_df = pd.read_csv('comment.csv')

 

# 查看数据集信息

comment_df

 

# 2.将“节目评分”列中的空值用数字“3”填充

comment_df['节目评分'] = comment_df['节目评分'].fillna('3')

 

# 查看数据集信息

comment_df

 

# 3.将表格中的字符‘&’删除

comment_df['评论'] = comment_df['评论'].str.replace('&', '')

comment_df['评论时间'] = comment_df['评论时间'].str.replace('&', '')

 

# 查看数据集信息

comment_df

 

# 4.保存新表格命名为“2.1-comment_cleaned.csv”

comment_df.to_csv('./2.1-comment_cleaned.csv', index = False)