从交通标志识别入手掌握应用深度学习算法进行图像是被

目的：帮助那些学习过机器学习、深度学习算法、了解keras框架以及熟悉python用 法却对实际应用无从下手的同学，从简单交通标志识别入手，彻底掌握深度学习算法在图像识别领域的应用。

项目完整地址(https://github.com/spytensor/ImageClassification)

注：目前已经支持的网络结构有 ：

LeNet

AlexNet

VGGNet

ZFNet

GoogLeNet

ResNet_18/34/50/101/152

DenseNet_161

简书地址：https://www.jianshu.com/p/73e32a55adfe

1.项目准备工作

数据集下载地址交通标志数据集:

1.1 完整目录

创建一下三个文件夹，其中data用来存放待训练的数据以及测试数据，log用来存放keras训练好的模型，便于后续预测图像类别时对训练好的模型进行加载,src用来存放所有的python文件。

1.2 data文件夹

结构如下，其中待识别的图像直接放到test文件夹下面

├─data

│ ├─test

│ └─train

1.3 train文件夹

结构如下，每个文件夹的名称代表一个类别(在代码中会有所体现)，每个文件夹存放了一定数量的对应类别的图像

└─train

├─00000

├─00001

├─00002

├─00003

├─00004

├─00005

├─00006

├─00007

├─00008

└─00009

2.2 创建src/utils.py 包括数据读取和不同网络模型的加载

2.3 创建src/train.py，进行训练参数设置的主文件

2.4 创建src/models/AlexNet.py，搭建AlexNet网络结构，其他网络结构不再一一列出

注1：之所以数据的存储文件格式要按照前文的要求，是因为在代码utils.py中的load_data()函数在读取文件是，按照层级结构，根据os.listdir()寻找文件夹和文件。

ps:当你很熟练的时候，当然不用根据代码去调整文件夹了，而是根据数据去调整代码~

3.训练日志

选择的是resnet18，后续还有提升，没有继续训练，有兴趣的可以尝试不同的网络结构~

4.TODO

希望能够添加更多的网络模型进去，目前该项目只支持图像识别任务，后续做一个检测类的项目。

5.项目完整地址

Github:ImageClassification

6.参考文献

[1] Lécun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324.

[2] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012:1097-1105.

[3] Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014.

[4] Zeiler M D, Fergus R. Visualizing and Understanding Convolutional Networks[J]. 2014, 8689:818-833.

[5] He K, Zhang X, Ren S, et al. Deep Residual Learning for Image Recognition[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2016:770-778.

[6] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2015:1-9.

[7] Huang G, Liu Z, Laurens V D M, et al. Densely Connected Convolutional Networks[J]. 2016:2261-2269.

[8] Introduce the cnns from LeNet to DensNet

[9] DenseNet-Keras

[10] keras-resnet