Une histoire à laquelle j'ai pensé en essayant d'identifier les informations de plénitude du parking en utilisant l'image obtenue par la caméra Web et Razpai et le deep learning.

introduction

J'ai pris une photo du parking devant moi depuis la fenêtre du bureau toutes les 5 minutes et j'ai fait une vidéo pour jouer.

Youtube-Weekly Office Window

Au début, c'était juste amusant, mais quand je pensais «je me demande s'il y a autre chose que je peux faire», j'ai trouvé quelque chose comme le titre.

J'ai essayé de rendre ce résultat toujours disponible sur le site. Comme mentionné ci-dessus, les photos sont mises à jour toutes les 5 minutes.

Exemple de surveillance de l'état du parking

Bibliothèque à utiliser

Installez la bibliothèque à utiliser.

OpenCV

pip install -U pip
pip install python-opencv

Tensorflow

pip install tensorflow

Keras

pip install keras

Préparation

Commencez par créer les dossiers suivants.

├ img
│ ├ 0-Beaucoup
│ ├ 1-Peu
│ └ 2-hochet
└ models

Ensuite, enregistrez les images que vous souhaitez classer dans chaque dossier sous img. Cette fois, nous avons utilisé des images 2019 avec des données d'image pendant environ une semaine.

Beaucoup

202010111320.jpg 202010110035.jpg

Peu

202010111210.jpg 202010170140.jpg

hochet

202010120740.jpg 202010112230.jpg

Apprentissage

Apprenez les images en fonction de la classification des dossiers.

python


#Lecture de la bibliothèque
import glob
import cv2
from matplotlib import pyplot as plt
import numpy as np

import keras
import tensorflow as tf

from sklearn import model_selection
from keras.utils.np_utils import to_categorical
from keras.layers import Activation, Conv2D, Dense, Flatten, MaxPooling2D, Dropout
from keras.models import Sequential

import random

#Création de données d'étiquette
labels = []
for i in range(3):
    labels.append("{}-".format(i))
    
#Obtenez le nombre de fichiers image
n = []

for l in labels:
    files = glob.glob("img/{}*/*.jpg ".format(l))
    print("{} : {}".format(l, len(files)))
    
    n.append(len(files))

#Lecture de fichier image
imgX = []
y = []

k = 0

for l in labels:
    
    print(l)
    
    files = glob.glob("img/{}*/*.jpg ".format(l))
    files.sort()
    print(len(files), end=" -> ")
    
    j = int(min(n) * 1.5)
    if j > len(files):
        j = len(files)
    
    files = random.sample(files, j)
    print(len(files))
    
    i = 0

    for f in files:
        img = cv2.imread(f)
        h, w, c = img.shape
        img = img[int(h/2):h, :]
        img = cv2.resize(img, (100, 100))
        imgX.append(img)
        y.append(k)
        
        print("\r{}".format(i), end="")

        i += 1

    print()
    k += 1

#Convertir les données d'image en données de tableau
X = np.array(imgX)
X = X / 255

#Divisé en données d'apprentissage / de vérification
test_size = 0.2

X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=test_size, random_state=42)
X_valid, X_test, y_valid, y_test = model_selection.train_test_split(X_test, y_test, test_size=.5, random_state=42)

y_train = to_categorical(y_train)
y_valid = to_categorical(y_valid)
y_test = to_categorical(y_test)

#Créer un modèle d'apprentissage
input_shape = X[0].shape

model = Sequential()

model.add(Conv2D(
    input_shape=input_shape, filters=64, kernel_size=(5, 5), 
    strides=(1, 1), padding="same", activation='relu'))

model.add(MaxPooling2D(pool_size=(4, 4)))

model.add(Conv2D(
    filters=32, kernel_size=(5, 5), 
    strides=(1, 1), padding="same", activation='relu'))

model.add(Conv2D(
    filters=32, kernel_size=(5, 5), 
    strides=(1, 1), padding="same", activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(
    filters=16, kernel_size=(5, 5), 
    strides=(1, 1), padding="same", activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(1024, activation='sigmoid'))
model.add(Dense(2048, activation='sigmoid'))

model.add(Dense(len(labels), activation='softmax'))

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

#Apprentissage
history = model.fit(
    X_train, y_train, batch_size=400, epochs=200, 
    verbose=1, shuffle=True,
    validation_data=(X_valid, y_valid))

score = model.evaluate(X_test, y_test, batch_size=32, verbose=0)
print('validation loss:{0[0]}\nvalidation accuracy:{0[1]}'.format(score))

#Enregistrer le modèle entraîné
mdlname = "models/mdl_parking_status.h5"
model.save(mdlname)

La sortie du milieu est omise et les résultats d'apprentissage sont les suivants.

validation loss:0.15308915078639984
validation accuracy:0.9653465151786804

Ce qui suit est un graphique du processus d'apprentissage.

loss.png acc.png

Je pense que je peux apprendre d'une manière ou d'une autre.

identification

Identifié par le script suivant.

python


#Lecture de la bibliothèque
import glob
import cv2
from matplotlib import pyplot as plt
import numpy as np
import requests
import keras

#Chargement du modèle entraîné
mdlname = "models/mdl_parking_status.h5"
model = keras.models.load_model(mdlname)

#Créer des données d'étiquette
labels = []

for lbl in glob.glob("img/*"):
    labels.append(lbl.split("/")[-1])

labels.sort()

#Lecture d'image
img_url = "https://map.blueomega.jp/parking/img.jpg "
req = requests.get(img_url)
img_org = np.fromstring(req.content, dtype='uint8')
img_org = cv2.imdecode(img_org, 1)

h, w, c = img_org.shape
img = img_org[int(h/2):h, :]
img = cv2.resize(img, (100, 100))
img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)

X = np.array([img])
X = X / 255

#identification
pred = model.predict(X, batch_size=32)
m = np.argmax(pred[0])

#Affichage des résultats
print(pred)
print(labels[m])

Cliquez ici pour l'image acquise.

sample.jpg

Les résultats de l'identification sont les suivants.

[[9.2753559e-01 7.2361618e-02 1.0272356e-04]]
0-Beaucoup

... peut-être terminé!

Recommended Posts

Une histoire à laquelle j'ai pensé en essayant d'identifier les informations de plénitude du parking en utilisant l'image obtenue par la caméra Web et Razpai et le deep learning.
J'ai essayé de créer une caméra de surveillance à détection de mouvement avec OpenCV en utilisant une caméra WEB avec Raspberry Pi
J'ai essayé l'histoire courante de l'utilisation du Deep Learning pour prédire la moyenne Nikkei
Je voulais faire fonctionner le moteur avec une tarte à la râpe, alors j'ai essayé d'utiliser la carte de commande du moteur de Waveshare
Créez une caméra de surveillance WEB avec Raspberry Pi et OpenCV
J'ai capturé le projet Toho avec Deep Learning ... je le voulais.
Une histoire que j'ai eu du mal en essayant de créer une "application qui convertit des images comme des peintures" avec la première application Web
Notez que j'étais accro à accéder à la base de données avec mysql.connector de Python en utilisant une application Web
Classification en temps réel de plusieurs objets dans les images de la caméra avec apprentissage en profondeur de Raspberry Pi 3 B + et PyTorch
J'ai créé un serveur Web avec Razpai pour regarder des anime
J'ai fait un package npm pour obtenir l'ID de la carte IC avec Raspberry Pi et PaSoRi
J'ai essayé d'extraire et d'illustrer l'étape de l'histoire à l'aide de COTOHA
L'histoire de la création d'une caméra sonore avec Touch Designer et ReSpeaker
J'ai essayé l'histoire courante de prédire la moyenne Nikkei à l'aide du Deep Learning (backtest)
Expliquez doucement le processus de création d'une simple caméra de surveillance sans serveur à l'aide de Raspeye, de l'API Gmail et de l'API Line
Connectez-vous à la console Raspberry PI et affichez les informations IP et SD locales
L'histoire de l'adresse IPv6 que je souhaite conserver au minimum
J'ai tweeté l'éclairement de la pièce avec Raspberry Pi, Arduino et un capteur optique
L'histoire de la création d'une application Web qui enregistre des lectures approfondies avec Django
Créez un environnement python pour apprendre la théorie et la mise en œuvre de l'apprentissage profond
Comment faire un Raspberry Pi qui parle les tweets d'un utilisateur spécifié
J'ai créé un système avec Raspberry Pi qui mesure périodiquement l'indice d'inconfort de la pièce et envoie une notification LINE s'il s'agit d'une valeur dangereuse
L'histoire de l'apprentissage profond avec TPU
Une histoire sur l'obtention du champ Atom (télégramme XML) de l'Agence météorologique avec une tarte à la râpe et de le tweeter
J'ai connecté une caméra à Raspberry Pi et créé un site de surveillance à domicile (mais ne peut être visualisé que dans ma zone Wi-Fi domestique) à l'aide du logiciel Motion.
J'ai essayé de notifier la mise à jour de "Devenir romancier" en utilisant "IFTTT" et "Devenir un romancier API"
Je voulais collecter beaucoup d'images, j'ai donc essayé d'utiliser "google image download"
Création d'une application Web qui mappe les informations sur les événements informatiques avec Vue et Flask
Je voulais juste extraire les données de la date et de l'heure souhaitées avec Django
Lors de l'écriture dans un fichier csv avec python, une histoire que j'ai fait une légère erreur et n'a pas respecté la date de livraison
Créez un capteur de couleur à l'aide d'une tarte à la râpe et d'une caméra
Collecte et automatisation d'images érotiques à l'aide du deep learning
Un serveur qui renvoie le nombre de personnes devant la caméra avec bottle.py et OpenCV
Notez ce que vous voulez faire à l'avenir avec Razpai
Créez facilement un TweetBot qui vous informe de la température et de l'humidité avec Raspberry Pi + DHT11.
J'ai essayé de comparer la précision des modèles d'apprentissage automatique en utilisant kaggle comme thème.
Une histoire qui facilite l'estimation de la surface habitable à l'aide d'Elasticsearch et de Python
J'ai essayé d'obtenir les informations du Web en utilisant "Requests" et "lxml"
J'ai essayé de connecter Raspeye et conect + avec l'API Web
J'ai essayé d'automatiser [une certaine tâche] à l'aide d'une tarte à la râpe
J'ai fait une caméra de surveillance avec Raspberry PI pour la première fois.
J'ai essayé d'écrire dans un modèle de langage profondément appris
J'ai envoyé les données de Raspberry Pi à GCP (gratuit)
J'ai essayé de créer un site qui permet de voir facilement les informations mises à jour d'Azure
Une histoire qui n'a pas fonctionné lorsque j'ai essayé de me connecter avec le module de requêtes Python
Je souhaite extraire les informations d'étiquette (titre et artiste) d'un fichier de musique (flac, wav).