diff --git a/README.md b/README.md index 57f0c29..86d1a77 100644 --- a/README.md +++ b/README.md @@ -14,152 +14,166 @@ * 比如你要分辨当前图像 是 苹果或是香蕉或是桃子，对图像进行判断分类，精准度更高，对图像的切割，针对占比比较大的物体切割，定位。 * 下面API文档有不清楚的地方可联系作者询问，QQ：794757862 ## 好的让我们从HELLO WORLD 开始: - public class HelloWorld { - public static void testPic() throws Exception { - //测试SPEED模式学习过程 - //初始化图像转矩阵类:作用就是说将一个图片文件转化为矩阵类 - Picture picture = new Picture(); - //初始化配置模板类,设置模式为SPEED_PATTERN模式 即速度模式 - TempleConfig templeConfig = getTemple(true, StudyPattern.Speed_Pattern); - //初始化计算类，并将配置模版载入计算类 - Operation operation = new Operation(templeConfig); - //标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE - //给训练图像进行标注，健是分类的ID,对应的就是输出结果的ID值，值要么写0要么写1 - // 1就是 是这种分类，0就是不是这种分类 - Map rightTagging = new HashMap<>();//分类标注 - Map wrongTagging = new HashMap<>();//分类标注 - rightTagging.put(1, 1.0); - wrongTagging.put(1, 0.0); - // 例如上面的标注了 只有一种分类，第一个MAP是true标注，第二个map是false标注 - for (int i = 1; i < 999; i++) { - System.out.println("开始学习1==" + i); - //读取本地URL地址图片(适用于电脑本地图片),并转化成矩阵 - //注意学习图片至少要一千张+同物体的不同图片，推荐一万张 - //学习的越多就越准，拿同样的图片反复循环学习是没用的 - //picture.getImageMatrixByIo(InputStream) 另外一个api,是通过字节流读取图片矩阵,适用于网络传输的图片 - Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png"); - Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); - //将图像矩阵和标注加入进行学习，正确的图片配置正确的标注true，错误的图片配置错误的标注false - //right这个矩阵是 正确的图片 所以要配置上面正确的标注1.0 学习告诉计算机这个图片是正确的 - operation.study(right, rightTagging); - //wrong这个矩阵是错误的图片，所以要配置上面错误的标注0.0 学习 告诉计算机这个图片是错误的 - operation.study(wrong, wrongTagging); - } - //获取训练结束的模型参数，提取出来转化成JSON保存数据库，下次服务启动时不用学习 - //直接将模型参数注入 - //获取模型MODLE 这个模型就是我们程序学习的目的，学习结束后我们要拿到这个模型 - ModelParameter modelParameter = templeConfig.getModel(); - //将模型MODEL转化成JSON 字符串 保存到数据库 留待下次服务启动的时候，识别提取用 - String model = JSON.toJSONString(modelParameter); - //以上就是SPEED模式下的学习全过程，识别的过程就是再次初始化，将学习结果注入之后使用 - //识别过程 - //将从数据库取出的JSON字符串转化为模型MODEL - ModelParameter modelParameter1 = JSONObject.parseObject(model, ModelParameter.class); - //初始化模型配置 - TempleConfig templeConfig1 = getTemple(false, StudyPattern.Speed_Pattern); - //注入之前学习结果的模型MODEL到配置模版里面，将学习结果注入就可以使用识别了 - templeConfig1.insertModel(modelParameter1); - //将配置模板配置到运算类 - Operation operation1 = new Operation(templeConfig1); - //获取本地图片字节码转化成降纬后的灰度矩阵
- Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png"); - Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png"); - //进行图像识别 参数说明 eventId,事件id,因为输出结果是在回调类回调的，所以必须有个主键去判断事件 - //说明你回调是响应的哪一次调用的ID,所以每一次识别调用，请用不同的id - operation1.look(wrong, 3); - operation1.look(right, 2); - } - - public static TempleConfig getTemple(boolean isFirst, int pattern) throws Exception { - //创建一个配置模板类，作用：主要是保存及载入一些配置参数用 - TempleConfig templeConfig = new TempleConfig(); - //创建一个回调类，图像识别最后输出结果，在这个类输出，这个类要实现 OutBack接口 - Ma ma = new Ma();//创建一个回调类 - //将这个回调类注册到配置模版里 必写 - templeConfig.setOutBack(ma); - //全连接层深度,选填可不填 不填默认值为2 - //这就像人类大脑的意识深度原理一样，深度学习越深，训练结果越准，但是训练量成几何倍数增加 - //比如默认深度是2 需要 正负模板各一千+张照片进行训练。识别率70%（数值只是举个例子，不是具体数值） - //当深度改成3，则需要正负模板各三千+张照片进行训练,识别率 80%，深度4，八千+90% - //以此类推，，内存允许的情况下，深度无限 识别率无限接近与百分之百 - //但是有极限，即超过某个深度，即使再增加深度，识别率反而会下降。需要具体不断尝试找到 合适的深度 - //注意：若深度提升，训练量没有成倍增长，则准确度反而更低！ - templeConfig.setDeep(2); - //初始化配置模版，参数说明(int studyPattern, boolean initPower, int width, int height - , int classificationNub) - //studyPattern 学习模式：常量值 StudyPattern.Accuracy_Pattern;StudyPattern.Speed_Pattern - //第一种模式精准模式，第二种模式是速度模式 - //精准模式顾名思义，准确相对高很多，但是缺点也很明显学习速度慢，不是一般的慢，CPU学习1000张图片 - //24小时都不够用！它学习速度比速度模式学习速度慢十倍都不止！但是执行识别速度上，却比速度模式还要快一点！ - //第二种速度模式，学习速度明显很快，一千张图片的学习大概一个半小时左右，但是精准度上差了一些 - //但是依然还是比较精准的，尤其做分类判断的时候，问题不大。 - //如何选择模式：在大部分情况下速度模式就够用了，在分类一张图片，比如这张图片有苹果的概率是多少 - //有橘子的概率是多少，精准度已经足够，它不是不精准，只是相对于精准模式要差一些 - //所以在大部分情况下，还是建议用速度模式，满足很多识别分类需求 - //initPower,是否是第一次初始化 - //学习就是学的模型参数，学完了要把模型参数类拿出来，序列化成JSON字符串，保存数据库 - //下次服务启动，读取JSON字符串，反序列化为MODEL模型 直接注入就可，无需再次学习 - //如果说你是要学习就写true,如果已经有学习结果了，你要注入之前的学习结果就是false - //如果你选了false还没有进行注入的话，你取模型参数你可以看到所有参数都是0 - //width heigth ,要学习的图片宽高，注意：这个宽高不是严格图片尺寸，而是一个大致尺寸 - //要识别和学习的图片尺寸与这个宽高比 必要相差太大就好，而且宁长勿短 - //classificationNub 要识别的有几个分类，比如我就识别苹果，就是1 有两种苹果橘子就是 2 - templeConfig.init(pattern, isFirst, 3204, 4032, 1); - return templeConfig; - } - - public static void testModel() throws Exception { - // 模型参数获取及注入 实例 - TempleConfig templeConfig = getTemple(true, StudyPattern.Accuracy_Pattern); - ModelParameter modelParameter1 = templeConfig.getModel(); - String model = JSON.toJSONString(modelParameter1); - System.out.println(model); - TempleConfig templeConfig2 = getTemple(false, StudyPattern.Accuracy_Pattern); - ModelParameter modelParameter3 = JSONObject.parseObject(model, ModelParameter.class); - templeConfig2.insertModel(modelParameter3); - ModelParameter modelParameter2 = templeConfig2.getModel(); - String model2 = JSON.toJSONString(modelParameter2); - System.out.println(model2); - } - - public static void testPic2() throws Exception { - //测试Accuracy_Pattern 模式学习过程，跟SPEED模式相同的部分就不再说明了 - Picture picture = new Picture(); - TempleConfig templeConfig = getTemple(true, StudyPattern.Accuracy_Pattern); - Operation operation = new Operation(templeConfig); - //标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE - Map rightTagging = new HashMap<>();//分类标注 - Map wrongTagging = new HashMap<>();//分类标注 - rightTagging.put(1, 1.0); - wrongTagging.put(1, 0.0); - for (int i = 1; i < 5; i++) { - System.out.println("开始学习1==" + i); - //读取本地URL地址图片,并转化成矩阵 - Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png"); - Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); - //将图像矩阵和标注加入进行学习 注意的是 Accuracy_Pattern 模式 要学习两次 - //这里使用learning方法，前两个参数与SPEED模式相同，多了一个第三个参数 - //第一次学习的时候 这个参数必须是 false - operation.learning(right, rightTagging, false); - operation.learning(wrong, wrongTagging, false); - } - for (int i = 1; i < 5; i++) {//神经网络学习 - System.out.println("开始学习2==" + i); - //读取本地URL地址图片,并转化成矩阵 - Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png"); - Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); - //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(right, rightTagging, true); - operation.learning(wrong, wrongTagging, true); - } - Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png"); - Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png"); - //进行图像识别，Accuracy_Pattern 模式学习结果获取和注入，跟SPEED模式一致 - //若有疑问可以参考一下 testModel()方法 - operation.look(right, 2); - operation.look(wrong, 3); - }} + public static void testPic() throws Exception { + //测试SPEED模式学习过程 + //初始化图像转矩阵类:作用就是说将一个图片文件转化为矩阵类 + Picture picture = new Picture(); + //初始化配置模板类,设置模式为SPEED_PATTERN模式 即速度模式 + TempleConfig templeConfig = getTemple(true, StudyPattern.Speed_Pattern); + //初始化计算类，并将配置模版和输出回调类载入计算类 + //运算类有两个构造一个是配置回调类，一个是不配置回调类 + //若使用定位功能，则无需配置回调类，若不启用，则要配置回调类 + //回调类要实现OutBack接口中的方法 + Ma ma = new Ma(); + Operation operation = new Operation(templeConfig, ma); + //标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE + //给训练图像进行标注，健是分类的ID,对应的就是输出结果的ID值，值要么写0要么写1 + // 1就是 是这种分类，0就是不是这种分类 + Map rightTagging = new HashMap<>();//分类标注 + Map wrongTagging = new HashMap<>();//分类标注 + rightTagging.put(1, 1.0); + wrongTagging.put(1, 0.0); + // 例如上面的标注了 只有一种分类，第一个MAP是true标注，第二个map是false标注 + for (int i = 1; i < 999; i++) { + System.out.println("开始学习1==" + i); + //读取本地URL地址图片(适用于电脑本地图片),并转化成矩阵 + //注意学习图片至少要一千张+同物体的不同图片，学习的越多就越准，拿同样的图片反复循环学习是没用的 + //picture.getImageMatrixByIo(InputStream) 另外一个api,是通过字节流读取图片矩阵,适用于网络传输的图片 + Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png"); + Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); + //将图像矩阵和标注加入进行学习，正确的图片配置正确的标注true，错误的图片配置错误的标注false + //right这个矩阵是 正确的图片 所以要配置上面正确的标注1.0 学习告诉计算机这个图片是正确的 + operation.study(right, rightTagging); + //wrong这个矩阵是错误的图片，所以要配置上面错误的标注0.0 学习 告诉计算机这个图片是错误的 + operation.study(wrong, wrongTagging); + } + //如果启用物体坐标定位，则在学习结束的时候，一定要执行boxStudy方法 + //若不启用，则请不要使用，否则会报错 + //templeConfig.boxStudy(); + //获取训练结束的模型参数，提取出来转化成JSON保存数据库，下次服务启动时不用学习 + //直接将模型参数注入 + //获取模型MODLE 这个模型就是我们程序学习的目的，学习结束后我们要拿到这个模型 + ModelParameter modelParameter = templeConfig.getModel(); + //将模型MODEL转化成JSON 字符串 保存到数据库 留待下次服务启动的时候，识别提取用 + String model = JSON.toJSONString(modelParameter); + //以上就是SPEED模式下的学习全过程，识别的过程就是再次初始化，将学习结果注入之后使用 + + //识别过程 + //将从数据库取出的JSON字符串转化为模型MODEL + ModelParameter modelParameter1 = JSONObject.parseObject(model, ModelParameter.class); + //初始化模型配置 + TempleConfig templeConfig1 = getTemple(false, StudyPattern.Speed_Pattern); + //注入之前学习结果的模型MODEL到配置模版里面，将学习结果注入就可以使用识别了 + templeConfig1.insertModel(modelParameter1); + //将配置模板配置到运算类 + Operation operation1 = new Operation(templeConfig1); + //获取本地图片字节码转化成降纬后的灰度矩阵 + Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png"); + Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png"); + //进行图像识别 参数说明 eventId,事件id,因为输出结果是在回调类回调的，所以必须有个主键去判断事件 + //说明你回调是响应的哪一次调用的ID,所以每一次识别调用，请用不同的id + operation1.look(wrong, 3); + operation1.look(right, 2); + //若启用定位功能检测请使用lookWithPosition,若没有启用，使用检测会报错 + //返回map,主键是分类id,值是该图片中此分类有多少个物体，每个物体的具体位置坐标的大小 + //Map> map = operation1.lookWithPosition(right, 4); + } + + public static TempleConfig getTemple(boolean isFirst, int pattern) throws Exception { + //创建一个配置模板类，作用：主要是保存及载入一些配置参数用 + TempleConfig templeConfig = new TempleConfig(); + //全连接层深度,选填可不填 不填默认值为2 + //这就像人类大脑的意识深度原理一样，深度学习越深，训练结果越准，但是训练量成几何倍数增加 + //比如默认深度是2 需要 正负模板各一千+张照片进行训练。识别率70%（数值只是举个例子，不是具体数值） + //当深度改成3，则需要正负模板各三千+张照片进行训练,识别率 80%，深度4，八千+90% + //以此类推，，内存允许的情况下，深度无限 识别率无限接近与百分之百 + //但是有极限，即超过某个深度，即使再增加深度，识别率反而会下降。需要具体不断尝试找到 合适的深度 + //注意：若深度提升，训练量没有成倍增长，则准确度反而更低！ + templeConfig.setDeep(2); + //启用定位学习 注意启用在图片中对某个物体进行定位，要注意 + //学习的图片必须除了学习的物体以外，其他位置都是白色或者空白(即用PS扣空)。 + //即该图片除了这个物体，没有其他任何干扰杂色（一个像素的杂色都不可以有） + //templeConfig.setHavePosition(true); + //窗口类，就是用来扫描图片的窗口大小和移动距离的设定 + //Frame frame = new Frame(); + //初始化配置模版，参数说明(int studyPattern, boolean initPower, int width, int height + //, int classificationNub) + //studyPattern 学习模式：常量值 StudyPattern.Accuracy_Pattern;StudyPattern.Speed_Pattern + //第一种模式精准模式，第二种模式是速度模式 + //精准模式顾名思义，准确相对高很多，但是缺点也很明显学习速度慢，不是一般的慢，CPU学习1000张图片 + //24小时都不够用！它学习速度比速度模式学习速度慢十倍都不止！但是执行识别速度上，却比速度模式还要快一点！ + //第二种速度模式，学习速度明显很快，一千张图片的学习大概一个半小时左右，但是精准度上差了一些 + //但是依然还是比较精准的，尤其做分类判断的时候，问题不大。 + //如何选择模式：在大部分情况下速度模式就够用了，在分类一张图片，比如这张图片有苹果的概率是多少 + //有橘子的概率是多少，精准度已经足够，它不是不精准，只是相对于精准模式要差一些 + //所以在大部分情况下，还是建议用速度模式，满足很多识别分类需求 + //initPower,是否是第一次初始化 + //学习就是学的模型参数，学完了要把模型参数类拿出来，序列化成JSON字符串，保存数据库 + //下次服务启动，读取JSON字符串，反序列化为MODEL模型 直接注入就可，无需再次学习 + //如果说你是要学习就写true,如果已经有学习结果了，你要注入之前的学习结果就是false + //如果你选了false还没有进行注入的话，你取模型参数你可以看到所有参数都是0 + //width heigth ,要学习的图片宽高，注意：这个宽高不是严格图片尺寸，而是一个大致尺寸 + //要识别和学习的图片尺寸与这个宽高比 必要相差太大就好，而且宁长勿短 + //classificationNub 要识别的有几个分类，比如我就识别苹果，就是1 有两种苹果橘子就是 2 + templeConfig.init(pattern, isFirst, 3204, 4032, 1); + + return templeConfig; + } + + public static void testModel() throws Exception { + // 模型参数获取及注入 实例 + TempleConfig templeConfig = getTemple(true, StudyPattern.Accuracy_Pattern); + ModelParameter modelParameter1 = templeConfig.getModel(); + String model = JSON.toJSONString(modelParameter1); + System.out.println(model); + TempleConfig templeConfig2 = getTemple(false, StudyPattern.Accuracy_Pattern); + ModelParameter modelParameter3 = JSONObject.parseObject(model, ModelParameter.class); + templeConfig2.insertModel(modelParameter3); + ModelParameter modelParameter2 = templeConfig2.getModel(); + String model2 = JSON.toJSONString(modelParameter2); + System.out.println(model2); + + } + + public static void testPic2() throws Exception { + //测试Accuracy_Pattern 模式学习过程，跟SPEED模式相同的部分就不再说明了 + Picture picture = new Picture(); + TempleConfig templeConfig = getTemple(true, StudyPattern.Accuracy_Pattern); + Operation operation = new Operation(templeConfig); + //标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE + Map rightTagging = new HashMap<>();//分类标注 + Map wrongTagging = new HashMap<>();//分类标注 + rightTagging.put(1, 1.0); + wrongTagging.put(1, 0.0); + for (int i = 1; i < 2; i++) { + System.out.println("开始学习1==" + i); + //读取本地URL地址图片,并转化成矩阵 + Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png"); + Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); + //将图像矩阵和标注加入进行学习 注意的是 Accuracy_Pattern 模式 要学习两次 + //这里使用learning方法，前两个参数与SPEED模式相同，多了一个第三个参数 + //第一次学习的时候 这个参数必须是 false + //最后一个参数id + operation.learning(right, rightTagging, false); + operation.learning(wrong, wrongTagging, false); + } + for (int i = 1; i < 2; i++) {//神经网络学习 + System.out.println("开始学习2==" + i); + //读取本地URL地址图片,并转化成矩阵 + Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png"); + Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); + //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(right, rightTagging, true); + operation.learning(wrong, wrongTagging, true); + } + Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png"); + Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png"); + //进行图像识别，Accuracy_Pattern 模式学习结果获取和注入，跟SPEED模式一致 + //若有疑问可以参考一下 testModel()方法 + operation.look(right, 2); + operation.look(wrong, 3); + } 回调输出类： public class Ma implements OutBack { private int nub; @@ -176,4 +190,9 @@ 回调类实现OUTBACK 接口 当检测结果输出的时候 会回调getBack方法 回调第一个参数是输出值 指的是 这个分类的概率 该数值是0-1之间的浮点 第二个参数是 分类的id 判断是训练的哪个分类的ID， - 第三个参数是 事件ID,一次判断事件 使用一个ID,让开发者知道是哪次事件的回调判断 \ No newline at end of file + 第三个参数是 事件ID,一次判断事件 使用一个ID,让开发者知道是哪次事件的回调判断 + +#### 最终说明 +* TempleConfig()：配置模版类一定要静态，在内存中长期持有 +* Operation():运算类，除了学习可以使用一个以外，用户每检测一次都要NEW一次。 +因为学习是单线程无所谓，而检测是多线程，如果使用一个运算类，可能会造成线程安全问题 \ No newline at end of file diff --git a/src/main/java/org/wlld/imageRecognition/Operation.java b/src/main/java/org/wlld/imageRecognition/Operation.java index 639dbdd..247d47c 100644 --- a/src/main/java/org/wlld/imageRecognition/Operation.java +++ b/src/main/java/org/wlld/imageRecognition/Operation.java @@ -65,9 +65,16 @@ public class Operation {//进行计算 } //卷积核学习 - public void learning(Matrix matrix, Map tagging, boolean isNerveStudy, int id) throws Exception { + public void learning(Matrix matrix, Map tagging, boolean isNerveStudy) throws Exception { if (templeConfig.getStudyPattern() == StudyPattern.Accuracy_Pattern) { Border border = null; + int id = 0; + for (Map.Entry entry : tagging.entrySet()) { + if (entry.getValue() > 0.5) { + id = entry.getKey(); + break; + } + } if (templeConfig.isHavePosition() && isNerveStudy && id > 0) { outBack = imageBack; border = convolution.borderOnce(matrix, templeConfig); diff --git a/src/test/java/org/wlld/HelloWorld.java b/src/test/java/org/wlld/HelloWorld.java index 397a075..c060cbd 100644 --- a/src/test/java/org/wlld/HelloWorld.java +++ b/src/test/java/org/wlld/HelloWorld.java @@ -7,9 +7,12 @@ import org.wlld.config.StudyPattern; import org.wlld.imageRecognition.Operation; import org.wlld.imageRecognition.Picture; import org.wlld.imageRecognition.TempleConfig; +import org.wlld.imageRecognition.border.Frame; +import org.wlld.imageRecognition.border.FrameBody; import org.wlld.nerveEntity.ModelParameter; import java.util.HashMap; +import java.util.List; import java.util.Map; /** @@ -19,22 +22,8 @@ import java.util.Map; */ public class HelloWorld { public static void main(String[] args) throws Exception { - //testPic(); + testPic(); //testModel(); - test(); - } - - public static void test() throws Exception { - Picture picture = new Picture(); - Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png"); - TempleConfig templeConfig = getTemple(true, StudyPattern.Accuracy_Pattern); - Ma ma = new Ma(); - Operation operation = new Operation(templeConfig, ma); - long a = System.currentTimeMillis(); - operation.look(right, 2); - long b = System.currentTimeMillis(); - System.out.println("耗时：" + (b - a)); - } public static void testPic() throws Exception { @@ -43,8 +32,12 @@ public class HelloWorld { Picture picture = new Picture(); //初始化配置模板类,设置模式为SPEED_PATTERN模式 即速度模式 TempleConfig templeConfig = getTemple(true, StudyPattern.Speed_Pattern); - //初始化计算类，并将配置模版载入计算类 - Operation operation = new Operation(templeConfig); + //初始化计算类，并将配置模版和输出回调类载入计算类 + //运算类有两个构造一个是配置回调类，一个是不配置回调类 + //若使用定位功能，则无需配置回调类，若不启用，则要配置回调类 + //回调类要实现OutBack接口中的方法 + Ma ma = new Ma(); + Operation operation = new Operation(templeConfig, ma); //标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE //给训练图像进行标注，健是分类的ID,对应的就是输出结果的ID值，值要么写0要么写1 // 1就是 是这种分类，0就是不是这种分类 @@ -66,6 +59,9 @@ public class HelloWorld { //wrong这个矩阵是错误的图片，所以要配置上面错误的标注0.0 学习 告诉计算机这个图片是错误的 operation.study(wrong, wrongTagging); } + //如果启用物体坐标定位，则在学习结束的时候，一定要执行boxStudy方法 + //若不启用，则请不要使用，否则会报错 + //templeConfig.boxStudy(); //获取训练结束的模型参数，提取出来转化成JSON保存数据库，下次服务启动时不用学习 //直接将模型参数注入 //获取模型MODLE 这个模型就是我们程序学习的目的，学习结束后我们要拿到这个模型 @@ -90,6 +86,9 @@ public class HelloWorld { //说明你回调是响应的哪一次调用的ID,所以每一次识别调用，请用不同的id operation1.look(wrong, 3); operation1.look(right, 2); + //若启用定位功能检测请使用lookWithPosition,若没有启用，使用检测会报错 + //返回map,主键是分类id,值是该图片中此分类有多少个物体，每个物体的具体位置坐标的大小 + //Map> map = operation1.lookWithPosition(right, 4); } public static TempleConfig getTemple(boolean isFirst, int pattern) throws Exception { @@ -103,6 +102,12 @@ public class HelloWorld { //但是有极限，即超过某个深度，即使再增加深度，识别率反而会下降。需要具体不断尝试找到 合适的深度 //注意：若深度提升，训练量没有成倍增长，则准确度反而更低！ templeConfig.setDeep(2); + //启用定位学习 注意启用在图片中对某个物体进行定位，要注意 + //学习的图片必须除了学习的物体以外，其他位置都是白色或者空白(即用PS扣空)。 + //即该图片除了这个物体，没有其他任何干扰杂色（一个像素的杂色都不可以有） + //templeConfig.setHavePosition(true); + //窗口类，就是用来扫描图片的窗口大小和移动距离的设定 + //Frame frame = new Frame(); //初始化配置模版，参数说明(int studyPattern, boolean initPower, int width, int height //, int classificationNub) //studyPattern 学习模式：常量值 StudyPattern.Accuracy_Pattern;StudyPattern.Speed_Pattern @@ -160,8 +165,9 @@ public class HelloWorld { //将图像矩阵和标注加入进行学习 注意的是 Accuracy_Pattern 模式 要学习两次 //这里使用learning方法，前两个参数与SPEED模式相同，多了一个第三个参数 //第一次学习的时候 这个参数必须是 false - operation.learning(right, rightTagging, false, 1); - operation.learning(wrong, wrongTagging, false, 0); + //最后一个参数id + operation.learning(right, rightTagging, false); + operation.learning(wrong, wrongTagging, false); } for (int i = 1; i < 2; i++) {//神经网络学习 System.out.println("开始学习2==" + i); @@ -170,8 +176,8 @@ public class HelloWorld { Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); //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(right, rightTagging, true, 1); - operation.learning(wrong, wrongTagging, true, 0); + operation.learning(right, rightTagging, true); + operation.learning(wrong, wrongTagging, true); } Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png"); Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png");