|
|
# 图像超市
|
|
|
本包功能说明：本包对物体在图像中进行训练及识别，切割，定位的轻量级，面向小白的框架,功能在逐渐扩展中
|
|
|
### 目的是
|
|
|
低硬件成本，CPU可快速学习运行，面向jAVA开发的程序员，经过简单API调用就可实现物体在图像中的识别，及定位等功能
|
|
|
### 特点是
|
|
|
入手门槛低，简单配置，快速上手
|
|
|
#### 为什么做这个包
|
|
|
* 因为图像属于超大浮点运算，亿对亿级，任何一点操作都会被扩大一千万倍以上，所以目前市面上的框架大都针对GPU运算。</br>
|
|
|
* 深度学习GPU价格昂贵，动则几万一块，这也是图像识别的费用门槛，而JAVA的用户一般都是使用CPU运算。</br>
|
|
|
* JAVA开发者很少会使用JCUDA 包的GPU浮点操作,目前的主流算法大都使用GPU运算（速度快）。</br>
|
|
|
* 为了保证用户对本包的使用性能，且降低部署成本，面向JAVA开发的程序员对图像的CPU快速处理，可以在CPU部署。</br>
|
|
|
* 所以本包对一些算法进行了部分功能阉割，部分精度忽略来保证速度，并且做到可CPU快速运算。</br>
|
|
|
* 阉割的代价，在某些精度上会有所下降，所以本包建议使用方案是对图像识别的分类。</br>
|
|
|
* 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。</br>
|
|
|
## 好的让我们从HELLO WORLD 开始:
|
|
|
public static void testPic() throws Exception {</br>
|
|
|
//初始化图像转矩阵类</br>
|
|
|
`Picture picture = new Picture();`</br>
|
|
|
//初始化配置模板类</br>
|
|
|
`TempleConfig templeConfig = getTemple(true);`</br>
|
|
|
//初始化计算类</br>
|
|
|
`Operation operation = new Operation(templeConfig);`</br>
|
|
|
//标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE</br>
|
|
|
`Map<Integer, Double> rightTagging = new HashMap<>();`//分类标注</br>
|
|
|
`Map<Integer, Double wrongTagging = new HashMap<>();`//分类标注</br>
|
|
|
`rightTagging.put(1, 1.0);`//标注为编号为1分类为正确，例如是否苹果，是</br>
|
|
|
`wrongTagging.put(1, 0.0);`//编号为1的分类为错误，例如是否是苹果，否</br>
|
|
|
`for (int i = 1; i < 999; i++) {`</br>
|
|
|
System.out.println("开始学习1==" + i);</br>
|
|
|
//读取本地URL地址图片,并转化成矩阵</br>
|
|
|
//训练一个物体我建议是准备一万张这个物体的图片，只留物体周围要扣空，目前只支持PNG格式图片</br>
|
|
|
//训练的时候光有正模板不行，你除了要告诉他true,必须还要告诉他false,正负模板数量相同</br>
|
|
|
`Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png");`</br>
|
|
|
`Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png");`</br>
|
|
|
//将图像矩阵和正负标注加入进行学习，</br>
|
|
|
`operation.study(right, rightTagging);`</br>
|
|
|
`operation.study(wrong, wrongTagging);`</br>
|
|
|
` }`
|
|
|
//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</br>
|
|
|
//直接将模型参数注入</br>
|
|
|
//获取模型MODLE，我们学习最终目的就是学习结束拿出这个模型参数，并序列化为json字符串准备下次启动服务时注入模型参数</br>
|
|
|
` ModelParameter modelParameter = templeConfig.getModel();`</br>
|
|
|
//将模型MODEL转化成JSON 字符串</br>
|
|
|
//String model = JSON.toJSONString(modelParameter);</br>
|
|
|
//将JSON字符串转化为模型MODEL</br>
|
|
|
//ModelParameter modelParameter1 = JSONObject.parseObject(model, ModelParameter.class);</br>
|
|
|
//初始化模型配置
|
|
|
`TempleConfig templeConfig1 = getTemple(false);`</br>
|
|
|
//注入之前学习结果的模型MODEL到配置模版里面</br>
|
|
|
`templeConfig1.insertModel(modelParameter);`</br>
|
|
|
//将配置模板配置到运算类</br>
|
|
|
` Operation operation1 = new Operation(templeConfig1);`</br>
|
|
|
//获取本地图片字节码转化成降纬后的灰度矩阵</br>
|
|
|
` Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png");`</br>
|
|
|
` Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png");`</br>
|
|
|
//进行图像检测</br>
|
|
|
`operation1.look(wrong, 3);`</br>
|
|
|
`operation1.look(right, 2);`</br>
|
|
|
}</br>
|
|
|
`public static TempleConfig getTemple(boolean isFirst) throws Exception {`</br>
|
|
|
`TempleConfig templeConfig = new TempleConfig();`</br>
|
|
|
//创建一个回调类</br>
|
|
|
`Ma ma = new Ma();`//创建一个回调类</br>
|
|
|
//注册输出结果回调类 必写</br>
|
|
|
`templeConfig.setOutBack(ma);`</br>
|
|
|
//全连接层深度,默认为2 选填</br>
|
|
|
`templeConfig.setDeep(2);`</br>
|
|
|
//要学习几种分类 默认为1 选填</br>
|
|
|
`templeConfig.setClassificationNub(1);`</br>
|
|
|
//设置图像行列比例的行，默认为5 选填</br>
|
|
|
`templeConfig.setRow(5);`</br>
|
|
|
//设置图像行列比例的列，默认为3 选填</br>
|
|
|
`templeConfig.setColumn(3);`</br>
|
|
|
//对模版进行初始化 Ps:初始化一定要在所有参数设置完成后设置，否则设置无效。</br>
|
|
|
// 使用默认值（模型参数注入除外）若无需注入参数 选择TRU，若注入模型参数选择FALSE</br>
|
|
|
//相似说明见 文档1</br>
|
|
|
`templeConfig.initModelVision(isFirst);`//对模板初始化 使用模板视觉</br>
|
|
|
`return templeConfig;`</br>
|
|
|
` }`</br>
|
|
|
参数详情请看说明1
|
