使用Tensorflow+OpenCV构建会玩石头剪刀布的AI

2020-06-09 11:37

我使用了Python的OpenCV库进行所有与相机相关的操作，所以这里的label指的是图像属于哪个类，根据标签，图像保存在适当的目录中。ct和maxCt是用来保存图像的起始索引和最终索引，剩下的是标准的OpenCV代码，用于获取网络摄像头源并将图像保存到目录中。需要注意的一点是，我所有的图片维数都是300 x 300的。运行此目录树后，我的目录树如下所示。

C：．

├───paper

│ paper0．jpg

│ paper1．jpg

│ paper2．jpg

│

├───rock

│ rock0．jpg

│ rock1．jpg

│ rock2．jpg

│

└───scissor

scissor0．jpg

scissor1．jpg

scissor2．jpg

如果你引用的是Github存储库（https：／／github．com／HOD101s／RockPaperScissor－AI－），则getData．py会为你完成这项工作！预处理我们的数据我们需要使用图像，而计算机可以识别数字，因此，我们将所有图像转换为它们各自的矢量表示，另外，我们的标签尚待生成，由于已建立的标签不能是文本，因此我使用shape＿to＿label字典为每个类手动构建了“独热编码”表示。

DATA＿PATH ＝ sys．argv［1］＃ Path to folder containing data

shape＿to＿label ＝｛＇rock＇：np．array（［1．，0．，0．，0．］），＇paper＇：np．array（［0．，1．，0．，0．］），＇scissor＇：np．array（［0．，0．，1．，0．］），＇ok＇：np．array（［0．，0．，0．，1．］）｝

arr＿to＿shape ＝｛np．argmax（shape＿to＿label［x］）：x for x in shape＿to＿label．keys（）｝

imgData ＝ list（）

labels ＝ list（）

for dr in os．listdir（DATA＿PATH）：

if dr not in ［＇rock＇，＇paper＇，＇scissor＇］：

continue

print（dr）

lb ＝ shape＿to＿label［dr］

i ＝ 0

for pic in os．listdir（os．path．join（DATA＿PATH，dr））：

path ＝ os．path．join（DATA＿PATH，dr＋＇／＇＋pic）

img ＝ cv2．imread（path）

imgData．append（［img，lb］）

imgData．append（［cv2．flip（img， 1），lb］）＃horizontally flipped image

imgData．append（［cv2．resize（img［50：250，50：250］，（300，300）），lb］）＃ zoom ： crop in and resize

i＋＝3

print（i）

np．random．shuffle（imgData）

imgData，labels ＝ zip（＊imgData）

imgData ＝ np．array（imgData）

labels ＝ np．array（labels）

当我们根据类将图像保存在目录中时，目录名用作标签，该标签使用shape＿to＿label字典转换为独热表示。在我们遍历系统中的文件以访问图像之后，cv2．imread（）函数返回图像的矢量表示。我们通过翻转图像并放大图像来进行一些手动的数据增强，这增加了我们的数据集大小，而无需拍摄新照片，数据增强是生成数据集的关键部分。最后，图像和标签存储在单独的numpy数组中。cv2．imread（）函数https：／／www．geeksforgeeks．org／python－opencv－cv2－imread－method／更多关于数据增强的信息。https：／／towardsdatascience．com／data－augmentation－for－deep－learning－4fe21d1a4eb9通过迁移学习建立我们的模型：在处理图像数据时，有许多经过预训练的模型可供使用，这些模型已经在具有数千个标签的数据集上进行了训练，由于这些模型通过其应用程序api的Tensorflow和Keras分布，我们可以使用这些模型，这使得在我们的应用程序中包含这些预先训练的模型看起来很容易！