m53297601
/
easyAi
1
0
Fork 0
Code Issues Pull Requests Releases Wiki Activity

修改最简说明文档

Browse Source
pull/6/head
Administrator 5 years ago
parent c4bd8b39e4
commit 3661bebdee
3 changed files with 150 additions and 60 deletions
Show Stats Download Patch File Download Diff File

140
README.md
Unescape View File

@ -45,34 +45,34 @@
``` java
//创建图片解析类
Picture picture = new Picture();
//创建一个静态单例配置模板
//创建一个静态单例配置模板
static TempleConfig templeConfig = new TempleConfig();
//第三个参数和第四个参数分别是训练图片的宽和高，为保证训练的稳定性请保证训练图片大小的一致性
templeConfig.init(StudyPattern.Accuracy_Pattern, true, 640, 640, 2);
//将配置模板类作为构造塞入计算类
Operation operation = new Operation(templeConfig);
//一阶段 循环读取不同的图片
//一阶段 循环读取不同的图片
for (int i = 1; i < 1900; i++) {
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/a" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/c" + i + ".jpg");
//矩阵塞入运算类进行学习，第一个参数是图片矩阵，第二个参数是图片分类标注ID，第三个参数是第一次学习固定false
operation.learning(a, 1, false);
operation.learning(c, 2, false);
}
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/a" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/c" + i + ".jpg");
//矩阵塞入运算类进行学习，第一个参数是图片矩阵，第二个参数是图片分类标注ID，第三个参数是第一次学习固定false
operation.learning(a, 1, false);
operation.learning(c, 2, false);
}
for (int i = 1; i < 1900; i++) {
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
//将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
//第二次学习的时候，第三个参数必须是 true
operation.learning(a, 1, true);
operation.learning(c, 2, true);
}
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
//将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
//第二次学习的时候，第三个参数必须是 true
operation.learning(a, 1, true);
operation.learning(c, 2, true);
}
templeConfig.finishStudy();//结束学习
//获取学习结束的模型参数,并将model保存数据库
ModelParameter modelParameter = templeConfig.getModel();
String model = JSON.toJSONString(modelParameter);
//获取学习结束的模型参数,并将model保存数据库
ModelParameter modelParameter = templeConfig.getModel();
String model = JSON.toJSONString(modelParameter);
```
### 单物体图像识别部分最简API 说明：
``` java
@ -81,7 +81,7 @@
//返回此图片的分类ID
int an = operation.toSee(a);
```
### 单物体图像识别服务启动初始化API 说明:
### 物体图像识别服务启动初始化API 说明:
``` java
//创建一个静态单例配置模板类
static TempleConfig templeConfig = new TempleConfig();
@ -98,9 +98,9 @@
``` java
//创建模板读取类
TemplateReader templateReader = new TemplateReader();
//读取语言模版，第一个参数是模版地址，第二个参数是编码方式，第三个参数是是否是WIN系统
//读取语言模版，第一个参数是模版地址，第二个参数是文本编码方式
//同时也是学习过程
templateReader.read("/Users/lidapeng/Desktop/myDocment/a1.txt", "UTF-8", IOConst.NOT_WIN);
templateReader.read("/Users/lidapeng/Desktop/myDocment/a1.txt", "UTF-8");
//学习结束获取模型参数
//WordModel wordModel = WordTemple.get().getModel();
//不用学习注入模型参数
@ -155,10 +155,100 @@
//插入特征数据，森林对该数据的最终分类结果进行判断
randomForest.forest(Object objcet);
```
### 如何提升精准度
* 将模板类设置为不忽略精度
``` java
TempleConfig templeConfig = new TempleConfig(false, true);
```
>使用TempleConfig()有参构造，第一个参数目前依然固定传false(因为有功能还没完成)，第二个参数是一个布尔值是否忽略精度。
众所周知JAVA计算浮点是有精度损失的，如果选择true则使用大数计算类即无精度损失（默认为FALSE），但是这是以速度变慢十倍以上为代价的。
忽略精度和使用精度准确度上差距，平均在5-6个百分点之间，所以用户按照自己的需求来判断是否使用精度计算。
>>优点：准确度提升5-6个百分点，配合DNN分类器可达99%以上的准确率
>>>缺点：运算速度变慢十倍以上，从百毫秒变为一至两秒
* 根据业务情景选择使用分类器
``` java
TempleConfig templeConfig = new TempleConfig(false, true);
templeConfig.setClassifier(Classifier.DNN);
```
>在TempleConfig类调用init()方法前选择使用的分类器setClassifier()
``` java
public class Classifier {//分类器
public static final int LVQ = 1;//LVQ分类
public static final int DNN = 2; //使用DNN分类
public static final int VAvg = 3;//使用特征向量均值分类
}
```
>目前easyAi提供三种分类器,即用户选择一种参数设置进配置模板类
>> 这三种分类器的特点
>> 1. LVQ:若用户训练图片量较少，比如一个种类只有一两百张图片，则使用此分类器达到当前条件下最大识别成功率
>> 2. VAvg:若用户训练图片较少，同时分类数量也很少，比如只训练两三种物体识别，则VAvg达到当前最大识别成功率
>> 3. DNN:若用户训练图片较多，每种分类1500张训练图片，则使用此分类器，准确率98%+。
>> 4. 若不设置分类器，则框架默认使用VAvg分类器
>>>使用DNN的话，API略有区别
``` java
//创建图片解析类
Picture picture = new Picture();
//创建一个静态单例配置模板
static TempleConfig templeConfig = new TempleConfig();
//第三个参数和第四个参数分别是训练图片的宽和高，为保证训练的稳定性请保证训练图片大小的一致性
templeConfig.init(StudyPattern.Accuracy_Pattern, true, 640, 640, 2);
//将配置模板类作为构造塞入计算类
Operation operation = new Operation(templeConfig);
//一阶段 循环读取不同的图片
for (int i = 1; i < 1900; i++) {
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/a" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/c" + i + ".jpg");
//矩阵塞入运算类进行学习，第一个参数是图片矩阵，第二个参数是图片分类标注ID，第三个参数是第一次学习固定false
operation.learning(a, 1, false);
operation.learning(c, 2, false);
}
for (int i = 1; i < 1900; i++) {
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
operation.normalization(a, templeConfig.getConvolutionNerveManager());
operation.normalization(c, templeConfig.getConvolutionNerveManager());
}
templeConfig.getNormalization().avg();
for (int i = 1; i < 1900; i++) {
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
//将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
//第二次学习的时候，第三个参数必须是 true
operation.learning(a, 1, true);
operation.learning(c, 2, true);
}
```
>大家可以看到如果使用DNN,在一阶段学习和二阶段学习之间多了一段代码即：
``` java
for (int i = 1; i < 1900; i++) {
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
operation.normalization(a, templeConfig.getConvolutionNerveManager());
operation.normalization(c, templeConfig.getConvolutionNerveManager());
}
templeConfig.getNormalization().avg();
```
* 增加DNN神经网络深度
``` java
templeConfig.setDeep(int deep);
```
>若不设置默认深度为2，设置的深度越深则意味着准确率也越高，但同时也意味着你需要更多的训练图片去训练
>增加一层深度，训练图片的数量至少乘以3，否则准确度不仅不会增加，反而会下降
>>优点：更深的深度准确率可以无限接近100%，我们只要训练量足够大，我们就可以更深，越深越无敌
>>>缺点：增加深度意味着成几何倍数提升的训练量，同时也意味着过拟合的风险
### 什么样的图片会严重影响准确率
* 训练图片或者识别图片有，比较大片的遮盖，暗光，阴影，或者使图片模糊的情况，识别和训练都会有严重的干扰
* 训练图片要求会比较高，要求若物体无背景则扣干净，有背景的话使用统一背景不要变动，不要一个训练一个物体有很多种背景
* 训练物体图片若有背景最好垫张白纸，纯白和纯色的背景干扰度最小，纯白最优
* 识别图片的拍摄设备最好有补光灯，不要让拍摄物体有大片阴暗。除非你同时也训练阴暗图片，当然那样的话训练量太大不推荐，也没必要
* 若使用定位与多物体识别功能，请将训练物体的图片背景扣干净,或保证RGB纯白色号背景即0XFFFFFF
* 某两种物体的图片太过相似即长的几乎一模一样,区别点特别小或者微弱,识别不出来，就好比同卵双胞胎你也很难做出区分
### 常见抛错
* error:Wrong size setting of image in templateConfig
* 原因是模版配置类图片宽高设置相差太大
> templeConfig.init(StudyPattern.Accuracy_Pattern, true, width, height, 1);
` templeConfig.init(StudyPattern.Accuracy_Pattern, true, width, height, 1);`
##### 最终说明
* TempleConfig()：配置模版类，一定要静态在内存中长期持有，检测的时候不要每次都NEW，
一直就使用一个配置类就可以了。
@ -180,4 +270,4 @@
* 速度模式是使用固定的边缘算子进行多次卷积核，然后使用BP的多层神经网络进行强行拟合给出的结果（它之所以学习快，就是因为速度模式学习的是
全连接层的权重及阈值，而没有对卷积核进行学习）
* 本包检测使用的是灰度单通道，即对RGB进行降纬变成灰度图像来进行检测（RGB三通道都算的话，CPU有些吃不住）。
* 若使用本包还有疑问可自行看测试包内的HelloWorld测试案例类，或者联系作者Q：794757862
* 若使用本包还有疑问可自行看测试包内的HelloWorld测试案例类，或者进群交流：561433236,提出问题

8
src/main/java/org/wlld/nerveEntity/OutNerve.java
Unescape View File

@ -71,10 +71,10 @@ public class OutNerve extends Nerve {
Matrix myMatrix = dynamicNerve(matrix, eventId, isKernelStudy);
if (isKernelStudy) {//回传
Matrix matrix1 = matrixMapE.get(E);
if (isShowLog) {
System.out.println("E================" + E);
System.out.println(myMatrix.getString());
}
// if (isShowLog) {
// System.out.println("E================" + E);
// System.out.println(myMatrix.getString());
// }
if (matrix1.getX() <= myMatrix.getX() && matrix1.getY() <= myMatrix.getY()) {
double g = getGradient(myMatrix, matrix1);
backMatrix(g, eventId);

62
src/test/java/org/wlld/HelloWorld.java
Unescape View File

@ -125,8 +125,8 @@ public class HelloWorld {
// frame.setLengthWidth(640);
// templeConfig.setFrame(frame);
templeConfig.setClassifier(Classifier.DNN);
//templeConfig.isShowLog(true);
templeConfig.init(StudyPattern.Accuracy_Pattern, true, 640, 640, 2);
templeConfig.isShowLog(true);
templeConfig.init(StudyPattern.Accuracy_Pattern, true, 640, 640, 4);
// ModelParameter modelParameter2 = JSON.parseObject(ModelData.DATA2, ModelParameter.class);
// templeConfig.insertModel(modelParameter2);
Operation operation = new Operation(templeConfig);
@ -136,18 +136,16 @@ public class HelloWorld {
for (int i = 1; i < 1900; i++) {//一阶段
System.out.println("study1===================" + i);
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/a" + i + ".jpg");
//Matrix b = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/b" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/c" + i + ".jpg");
//Matrix d = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/d" + i + ".jpg");
//Matrix f = picture.getImageMatrixByLocal("D:\\share\\picture/f" + i + ".png");
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
Matrix b = picture.getImageMatrixByLocal("D:\\share\\picture/b" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
Matrix d = picture.getImageMatrixByLocal("D:\\share\\picture/d" + i + ".jpg");
//将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
//第二次学习的时候，第三个参数必须是 true
// operation.learning(f, 0, false);
operation.learning(a, 1, false);
// operation.learning(b, 2, false);
operation.learning(c, 2, false);
//operation.learning(d, 4, false);
operation.learning(b, 2, false);
operation.learning(c, 3, false);
operation.learning(d, 4, false);
}
}
@ -155,14 +153,13 @@ public class HelloWorld {
for (int i = 1; i < 1900; i++) {
System.out.println("avg==" + i);
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
//Matrix b = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/b" + i + ".jpg");
Matrix b = picture.getImageMatrixByLocal("D:\\share\\picture/b" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
//Matrix d = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/d" + i + ".jpg");
Matrix d = picture.getImageMatrixByLocal("D:\\share\\picture/d" + i + ".jpg");
operation.normalization(a, templeConfig.getConvolutionNerveManager());
//operation.normalization(b, templeConfig.getConvolutionNerveManager());
operation.normalization(b, templeConfig.getConvolutionNerveManager());
operation.normalization(c, templeConfig.getConvolutionNerveManager());
//operation.normalization(d, templeConfig.getConvolutionNerveManager());
operation.normalization(d, templeConfig.getConvolutionNerveManager());
}
templeConfig.getNormalization().avg();
for (int j = 0; j < 1; j++) {
@ -170,19 +167,15 @@ public class HelloWorld {
System.out.println("study2==================" + i);
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
//Matrix b = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/b" + i + ".jpg");
Matrix b = picture.getImageMatrixByLocal("D:\\share\\picture/b" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
//Matrix d = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/d" + i + ".jpg");
//Matrix f = picture.getImageMatrixByLocal("D:\\share\\picture/f" + i + ".png");
Matrix d = picture.getImageMatrixByLocal("D:\\share\\picture/d" + i + ".jpg");
//将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
//第二次学习的时候，第三个参数必须是 true
// operation.learning(f, 0, true);
//System.out.println("1===============");
operation.learning(a, 1, true);
//System.out.println("2===============");
//operation.learning(b, 2, true);
operation.learning(c, 2, true);
//operation.learning(d, 4, true);
operation.learning(b, 2, true);
operation.learning(c, 3, true);
operation.learning(d, 4, true);
}
}
@ -198,22 +191,29 @@ public class HelloWorld {
// Operation operation2 = new Operation(templeConfig2);
int wrong = 0;
int allNub = 0;
for (int i = 1900; i <= 2000; i++) {
for (int i = 1900; i <= 1998; i++) {
//读取本地URL地址图片,并转化成矩阵
Matrix a = picture.getImageMatrixByLocal("D:\\share\\picture/a" + i + ".jpg");
//Matrix b = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/b" + i + ".jpg");
Matrix b = picture.getImageMatrixByLocal("D:\\share\\picture/b" + i + ".jpg");
Matrix c = picture.getImageMatrixByLocal("D:\\share\\picture/c" + i + ".jpg");
//Matrix d = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/picture/d" + i + ".jpg");
Matrix d = picture.getImageMatrixByLocal("D:\\share\\picture/d" + i + ".jpg");
//将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习
//第二次学习的时候，第三个参数必须是 true
allNub += 2;
allNub += 4;
int an = operation.toSee(a);
int bn = operation.toSee(b);
int cn = operation.toSee(c);
int dn = operation.toSee(d);
if (an != 1) {
wrong++;
} else {
}
if (cn != 2) {
if (bn != 2) {
wrong++;
}
if (cn != 3) {
wrong++;
}
if (dn != 4) {
wrong++;
}
}

Write Preview
Loading…
Cancel
Save