python大作业有哪些题目,python程序设计大作业

期末大作业要求如下↓


参考教程：https://www.cnblogs.com/gezhuangzhuang/p/10596545.html

目标检测最新进展总结与展望 - 知乎
实验环境及工具：Python 3.7+Tensorflow 1.14（cpu版）+keras 2.31+Pycharm+精灵标注助手软件；

实验原理

目标检测：目标检测即找出图像中所有感兴趣的物体，包含物体定位和物体分类两个子任务，同时确定物体的类别和位置。

传统目标检测的方法一般分为三个阶段:首先在给定的图像上选择一些候选的区域，然 后对这些区域提取特征，最后使用训练的分类器进行分类学python编程的书。
深度学习目标检测算法有两类：（1）One-Stage目标检测算法，这类检测算法不需要Region Proposal阶段，可以通过一个Stage直接产生物体的类别概率和位置坐标值，比较典型的算法有YOLO、SSD和CornerNet；（2）Two-Stage目标检测算法，这类检测算法将检测问题划分为两个阶段，第一个阶段首先产生候选区域（Region Proposals），包含目标大概的位置信息，然后第二个阶段对候选区域进行分类和位置精修，这类算法的典型代表有R-CNN，Fast R-CNN，Faster R-CNN等。
这里使用的是One-Stage中的YOLO v3算法。
YOLO系列算法：如下图所示，其中左图取自YOLOv1[8]，右图取自YOLOv2[9]，需要说明的是YOLOv1相比于YOLOv2在坐标回归的时候没有anchor的概念。YOLO系列算法在构建回归目标时一个主要的区别就是如果将图像划分成SxS的格子，每个格子只负责目标中心点落入该格子的物体的检测；如果没有任何目标的中心点落入该格子，则为负样本。

每个格子输出B个bounding box（包含物体的矩形区域）信息，以及C个物体属于某种类别的概率信息。

Bounding box信息包含5个数据值，分别是x,y,w,h,和confidence。其中x,y是指当前格子预测得到的物体的bounding box的中心位置的坐标。w,h是bounding box的宽度和高度。注意：实际训练过程中，w和h的值使用图像的宽度和高度进行归一化到[0,1]区间内；x，y是bounding box中心位置相对于当前格子位置的偏移值，并且被归一化到[0,1]。
confidence反映当前bounding box是否包含物体以及物体位置的准确性，计算方式如下：
confidence = P(object)* IOU, 其中，若bounding box包含物体，则P(object) = 1；否则P(object) = 0. IOU(intersection over union)为预测bounding
box与物体真实区域的交集面积（以像素为单位，用真实区域的像素面积归一化到[0,1]区间）。

YOLO网络借鉴了GoogLeNet分类网络结构。不同的是，YOLO未使用inception module，而是使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。

YOLO使用均方和误差作为loss函数来优化模型参数，即网络输出的SS(B5 + C)维向量与真实图像的对应SS*(B*5 + C)维向量的均方和误差。

实验过程

1. 数据集标注：选取旺仔单人照、浪味仙单人照和旺仔浪味仙双人照共100张，用精灵标注软件标注，导出pascal-voc格式的xml文件。
   
   
2. 下载所需的文件
   下载YOLO v3：https://github.com/qqwweee/keras-yolo3
   下载YOLO v3权重文件：https://pjreddie.com/media/files/yolov3.weights
   yolov3.weight放入keras-yolo3-master内；
3. 数据准备及放置
   在keras-yolo3-master下新建一个voc文件夹，文件夹结构如图所示
   
   将图片原文件放入JPEGImages中，在rename.py文件中输入代码对图片进行重命名。这里将图片用三位数字表示。
   
   
   用标注软件标注后，将标注好的xml文件放在Annotations目录下。
   
   
   在createText.py输入代码运行生成四个txt文件。
   
   
   总共100张图片，其中训练集40张，测试集20张；（改变 val_split之后训练值测试集数量会发生变化）
   
   
4. 修改配置文件
   将keras-yolo3-master下的voc_annotation.py复制到voc下；
   
   并对voc_annotation.py进行修改。
   
   
   
   在model_data下新建txt文件wangwang_classes.txt，一行一个类别。这里一定不能用中文，否则跑起来就会报字符集的错。
   
   

修改yolov3.cfg文件

ctrl+F 搜索yolo,搜索结果大概有三处。每一处都改三个地方。
filter ：3*（5+len(classes)），此处我的classes有两个所以是21
classes：len(classes) 我的类别是2
random：原来是1，显存小改为0

要改三处。
输入python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5生成h5文件

修改train.py代码。除了下面框中的还需要改一下epochs，否则要跑很长时间。


在终端中输入python train.py运行
5. train.py代码介绍
获得anchor

获取分类：

建立模型：

建立迭代器：

训练模型：

主函数：

6. 修改参数

1. YOLO – 原始 优化器为adam，epochs为20：
   
2. YOLO - 修改优化器为sgd：
   效果并不好，在第一个epochs就变成nan了。
   
3. YOLO – 修改优化器为adadelta：
   
4. 增加epochs到30:
   
5. 改变val_spilt=0.4：
   
6. 改变val_spilt=0.2:
   
   跑完一次后要去model_data/logs下改h5的名字，否则会覆盖。也在文件名中加入运行完成的时间进行区分。

1. 图片识别测试
   修改yolo.py文件：
   
   在终端输入python yolo_video.py –image，然后输入需要测试的地址，然而我的效果都好差啊，不放图了。

实验心得

整个过程挺烦心的。刚开始去github上找教程，然而教程都太高级了也不适用，后来去找博客，s同学给我推荐了一篇博客，这篇博客用的是tensorflow 1.x的cpu版本，而我安装的是2.3的gpu版本，所以跑不起来，第一次尝试在pycharm里更改Tensorflow的版本，但是因为连接的外网，半年过去都下不出来。只能去清华镜像里找Tensorflow的版本，所以用的Tensorflow 1.15的版本，keras同步下载的2.3.1版本（然而2.3.1在训练的时候会报错所以又降到了2.1.5）。第一次标注只有旺仔的照片，觉得有点少就又添上了浪味仙的照片，到了一百张。但是在写wangwang_classes.txt发现标注的时候旺仔和浪味仙写的全都是中文，果然报错了。侥幸地想把pycharm的全局字符编码改成GBK，然而并没有用。只能一百张从头开始把标注改成拼音，本人现在已经很精通ctrl+s和右方向键的组合了。导出的时候也遇到了问题，刚开始我导出的用的xml格式，然后报错说xml文件里没有different标签，百思不得其解，后来去问了s同学才想起来应该用pascal-voc的格式，最后就是跑代码特别费时这件事。