关键词：
文章目录
1 前言
🔥 Hi，大家好，这里是丹成学长的毕设系列文章！
🔥 对毕设有任何疑问都可以问学长哦!
这两年开始，各个学校对毕设的要求越来越高，难度也越来越大… 毕业设计耗费时间，耗费精力，甚至有些题目即使是专业的老师或者硕士生也需要很长时间，所以一旦发现问题，一定要提前准备，避免到后面措手不及，草草了事。
为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的新项目是
🚩 基于深度学习的手势识别实现
🥇学长这里给一个题目综合评分(每项满分5分)
- 难度系数：4分
- 工作量：4分
- 创新点：3分
🧿 选题指导, 项目分享：
https://blog.csdn.net/Mr_DC_IT/article/details/126460477
2 项目背景
手势识别在深度学习项目是算是比较简单的。这里为了给大家会更好的训练。其中的数据集如下：
3 任务描述
图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题。手势识别属于图像分类中的一个细分类问题。虽然与NLP的内容其实没有多大的关系，但是作为深度学习，DNN是一个最为简单的深度学习的算法，它是学习后序CNN、RNN、Lstm以及其他算法深度学习算法的基础。
实践环境：Python3.7，PaddlePaddle1.7.0。
用的仍然是前面多次提到的jupyter notebook，当然我们也可以用本地的pycharm。不过这里需要提醒大家，如果用的是jupyter notebook作为试验训练，在实验中会占用很大的内存，jupyter notebook默认路径在c盘，时间久了，我们的c盘会内存爆满，希望我们将其默认路径修改为其他的路径，网上有很多的修改方式，这里限于篇幅就不做说明了。这里需要给大家简要说明：paddlepaddle是百度 AI Studio的一个开源框架，类似于我们以前接触到的tensorflow、keras、caffe、pytorch等深度学习的框架。
4 环境搭配
首先在百度搜索paddle，选择你对应的系统(Windows、macOs、Ubuntu、Centos)，然后选择你的安装方式(pip、conda、docker、源码编译)，最后选择python的版本(Python2、python3)，但是一般选择python3。
左后先则版本(GPU、CPU)，但是后期我们用到大量的数据集，因此，我们需要下载GPU版本。，然后将该命令复制到cmd终端，点击安装，这里用到了百度的镜像，可以加快下载安装的速度。
python -m pip install paddlepaddle-gpu==1.8.3.post107 -i https://mirror.baidu.com/pypi/simple
学长电脑是window10系统，用的是pip安装方式，安装的版本是python3，本人的CUDA版本是CUDA10，因此选择的示意图以及安装命令如图所示。这里前提是我们把GPU安装需要的环境配好，网上有很多相关的文章，这里篇幅有限，就不进行展开叙述了。
环境配好了，接下来就该项目实现。
5 项目实现
5.1 准备数据
首先我们导入必要的第三方库。
import os
import time
import random
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import paddle
import paddle.fluid as fluid
import paddle.fluid.layers as layers
from multiprocessing import cpu_count
from paddle.fluid.dygraph import Pool2D,Conv2D
from paddle.fluid.dygraph import Linear
该数据集是学长自己收集标注的数据集(目前较小)：包含0-9共就种数字手势，共2073张手势图片。
图片一共有3100100张，格式均为RGB格式文件。在本次实验中，我们选择其中的10%作为测试集，90%作为训练集。通过遍历图片，根据文件夹名称，生成label。
我按照1:9比例划分测试集和训练集，生成train_list 和 test_list，具体实现如下：
data_path = '/home/aistudio/data/data23668/Dataset' # 这里填写自己的数据集的路径，windows的默认路径是\\，要将其路径改为/。
character_folders = os.listdir(data_path)
print(character_folders)
if (os.path.exists('./train_data.list')):
os.remove('./train_data.list')
if (os.path.exists('./test_data.list')):
os.remove('./test_data.list')
for character_folder in character_folders:
with open('./train_data.list', 'a') as f_train:
with open('./test_data.list', 'a') as f_test:
if character_folder == '.DS_Store':
continue
character_imgs = os.listdir(os.path.join(data_path, character_folder))
count = 0
for img in character_imgs:
if img == '.DS_Store':
continue
if count % 10 == 0:
f_test.write(os.path.join(data_path, character_folder, img) + '\\t' + character_folder + '\\n')
else:
f_train.write(os.path.join(data_path, character_folder, img) + '\\t' + character_folder + '\\n')
count += 1
print('列表已生成')
其效果图如图所示：
这里需要简单的处理图片。需要说明一些函数：
- data_mapper(): 读取图片，对图片进行归一化处理，返回图片和 标签。
- data_reader(): 按照train_list和test_list批量化读取图片。
- train_reader(): 用于训练的数据提供器，乱序、按批次提供数据
- test_reader():用于测试的数据提供器
具体的实现如下：
def data_mapper(sample):
img, label = sample
img = Image.open(img)
img = img.resize((32, 32), Image.ANTIALIAS)
img = np.array(img).astype('float32')
img = img.transpose((2, 0, 1))
img = img / 255.0
return img, label
def data_reader(data_list_path):
def reader():
with open(data_list_path, 'r') as f:
lines = f.readlines()
for line in lines:
img, label = line.split('\\t')
yield img, int(label)
return paddle.reader.xmap_readers(data_mapper, reader, cpu_count(), 512)
5.2 构建网络
在深度学习中有一个关键的环节就是参数的配置，这些参数设置的恰当程度直接影响这我们的模型训练的效果。
因此，也有特别的一个岗位就叫调参岗，专门用来调参的，这里是通过自己积累的经验来调参数，没有一定的理论支撑，因此，这一块是最耗时间的，当然也是深度学习的瓶颈。
接下来进行参数的设置。
train_parameters =
"epoch": 1, #训练轮数
"batch_size": 16, #批次大小
"lr":0.002, #学习率
"skip_steps":10, #每10个批次输出一次结果
"save_steps": 30, #每10个批次保存一次结果
"checkpoints":"data/"
train_reader = paddle.batch(reader=paddle.reader.shuffle(reader=data_reader('./train_data.list'), buf_size=256),
batch_size=32)
test_reader = paddle.batch(reader=data_reader('./test_data.list'), batch_size=32)
前面也提到深度神经网络（Deep Neural Networks， 简称DNN）是深度学习的基础。DNN网络图如图所示：
首先定义一个神经网络，具体如下
class MyLeNet(fluid.dygraph.Layer):
def __init__(self):
super(MyLeNet, self).__init__()
self.c1 = Conv2D(3, 6, 5, 1)
self.s2 = Pool2D(pool_size=2, pool_type='max', pool_stride=2)
self.c3 = Conv2D(6, 16, 5, 1)
self.s4 = Pool2D(pool_size=2, pool_type='max', pool_stride=2)
self.c5 = Conv2D(16, 120, 5, 1)
self.f6 = Linear(120, 84, act='relu')
self.f7 = Linear(84, 10, act='softmax')
def forward(self, input):
# print(input.shape)
x = self.c1(input)
# print(x.shape)
x = self.s2(x)
# print(x.shape)
x = self.c3(x)
# print(x.shape)
x = self.s4(x)
# print(x.shape)
x = self.c5(x)
# print(x.shape)
x = fluid.layers.reshape(x, shape=[-1, 120])
# print(x.shape)
x = self.f6(x)
y = self.f7(x)
return y
这里需要说明的是，在forward方法中，我们在每一步都给出了打印的print()函数，就是为了方便大家如果不理解其中的步骤，可以在实验中进行打印，通过结果来帮助我们进一步理解DNN的每一步网络构成。
5.3 开始训练
接下来就是训练网络。
为了方便我观察实验中训练的结果，学长引入了matplotlib第三方库，直观的通过图来观察我们的训练结果，具体训练网络代码实现如下：
import matplotlib.pyplot as plt
Iter=0
Iters=[]
all_train_loss=[]
all_train_accs=[]
def draw_train_process(iters,train_loss,train_accs):
title='training loss/training accs'
plt.title(title,fontsize=24)
plt.xlabel('iter',fontsize=14)
plt.ylabel('loss/acc',fontsize=14)
plt.plot(iters,train_loss,color='red',label='training loss')
plt.plot(iters,train_accs,color='green',label='training accs')
plt.legend()
plt.grid()
plt.show()
with fluid.dygraph.guard():
model = MyLeNet() # 模型实例化
model.train() # 训练模式
opt = fluid.optimizer.SGDOptimizer(learning_rate=0.01,
parameter_list=model.parameters()) # 优化器选用SGD随机梯度下降，学习率为0.001.
epochs_num = 250 # 迭代次数
for pass_num in range(epochs_num):
for batch_id, data in enumerate(train_reader()):
images = np.array([x[0].reshape(3, 32, 32) for x in data], np.float32)
labels = np.array([x[1] for x in data]).astype('int64')
labels = labels[:, np.newaxis]
# print(images.shape)
image = fluid.dygraph.to_variable(images)
label = fluid.dygraph.to_variable(labels)
predict = model(image) # 预测
# print(predict)
loss = fluid.layers.cross_entropy(predict, label)
avg_loss = fluid.layers.mean(loss) # 获取loss值
acc = fluid.layers.accuracy(predict, label) # 计算精度
Iter += 32
Iters.append(Iter)
all_train_loss.append(loss.numpy()[0])
all_train_accs.append(acc.numpy()[0])
if batch_id != 0 and batch_id % 50 == 0:
print(
"train_pass:,batch_id:,train_loss:,train_acc:".format(pass_num, batch_id, avg_loss.numpy(), acc.numpy()))
avg_loss.backward()
opt.minimize(avg_loss)
model.clear_gradients()
fluid.save_dygraph(model.state_dict(), 'MyLeNet') # 保存模型
draw_train_process(Iters, all_train_loss, all_train_accs)
训练过程以及结果如下：
前面提到强烈建议大家安装gpu版的paddle框架，因为就是在训练过程中，paddle框架会利用英伟达的GP加速，训练的速度会很快的，而CPU则特别的慢。因此，CPU的paddle框架只是在学习的时候还可以，一旦进行训练，根本不行。
可能GPU需要几秒的训练在CPU可能需要十几分钟甚至高达半个小时。其实不只是paddlepaddle框架建议大家安装GPU版本，其他的类似tensorflow、keras、caffe等框架也是建议大家按安装GPU版本。不过安装起来比较麻烦，还需要大家认真安装。
with fluid.dygraph.guard():
accs = []
model_dict, _ = fluid.load_dygraph('MyLeNet')
model = MyLeNet()
model.load_dict(model_dict) # 加载模型参数
model.eval() # 训练模式
for batch_id, data in enumerate(test_reader()): # 测试集
images = np.array([x[0].reshape(3, 32, 32) for x in data], np.float32)
labels = np.array([x[1] for x in data]).astype('int64')
labels = labels[:, np.newaxis]
image = fluid.dygraph.to_variable(images)
label = fluid.dygraph.to_variable(labels)
predict = model(image)
acc = fluid.layers.accuracy(predict, label)
accs.append(acc.numpy()[0])
avg_acc = np.mean(accs)
print(avg_acc)
5.4 模型评估
配置好了网络，并且进行了一定的训练，接下来就是对我们训练的模型进行评估，具体实现如下：
结果还可以，这里说明的是，刚开始我们的模型训练评估不可能这么好，可能存在过拟合或者欠拟合的问题，不过更常见的是过拟合，这就需要我们调整我们的epoch、batchsize、激活函数的选择以及优化器、学习率等各种参数，通过不断的调试、训练最好可以得到不错的结果，但是，如果还要更好的模型效果，其实可以将DNN换为更为合适的CNN神经网络模型，效果就会好很多，关于CNN的相关知识以及实验，我们下篇文章在为大家介绍。最后就是我们的模型的预测。
6 识别效果
🧿 选题指导, 项目分享：
https://blog.csdn.net/Mr_DC_IT/article/details/126460477
camera基于深度学习的车牌检测与识别系统实现（课程设计）
基于深度学习的车牌检测与识别系统实现（课程设计）代码+数据集下载地址：下载地址用python3+opencv3做的中国车牌识别，包括算法和客户端界面，只有2个文件，surface.py是界面代码，predict.py是算法代码，界面不是重点所以用tkint... 查看详情
毕业设计深度学习yolo实现车牌识别算法(代码片段)
...视频识别效果6部分关键代码7最后0前言🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统... 查看详情
毕业设计-基于深度学习的人脸识别方法
...着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入... 查看详情
毕业设计题目：基于深度学习的动物识别-卷积神经网络机器视觉图像识别(代码片段)
文章目录0前言1背景2算法原理2.1动物识别方法概况2.2常用的网络模型2.2.1B-CNN2.2.2SSD3SSD动物目标检测流程4实现效果5部分相关代码5.1数据预处理5.2构建卷积神经网络5.3tensorflow计算图可视化5.4网络模型训练5.5对猫狗图像进行2分类6最... 查看详情
1000个大数据/人工智能毕设选题推荐
前言正值毕业季我看到很多同学都在为自己的毕业设计发愁Maynor在网上搜集了1000个大数据的毕设选题，希望对大家有帮助～适合大数据毕业设计的项目，完全可以作为本科生当前较新的毕业设计题目选择方向。大数... 查看详情
数字图像处理课程设计基于非深度学习方法实现身份证定位与正反面识别
文章目录基于透视矫正与区域特征匹配的身份证图像定位与正反面识别摘要实现细节1.总体流程2.前景背景分割3.身份证角点定位4.透视变换5.模板匹配5.1基于区域颜色匹配的国徽检测5.2基于区域字符数统计的身份ID检测5.3基于排版... 查看详情
毕业设计深度学习机器视觉人脸识别系统-opencvpython(代码片段)
...人脸检测人脸识别MetricLarning3最后0前言🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统... 查看详情
项目实战解析：基于深度学习搭建卷积神经网络模型算法，实现图像识别分类(代码片段)
...、图像识别分类总结前言随着人工智能的不断发展，深度学习这门技术也越来越重要，很多人都开启了学习机器学习，本文将通过项目开发实例，带领大家从零开始设计实现一款基于深度学习的图像识别算法。学... 查看详情
毕业设计水果图像识别系统-深度学习opencvpython(代码片段)
文章目录1前言2开发简介3识别原理3.1传统图像识别原理3.2深度学习水果识别4数据集5部分关键代码5.1处理训练集的数据结构5.2模型网络结构5.3训练模型6识别效果1前言🔥Hi，大家好，这里是丹成学长的毕设系列文章ÿ... 查看详情
如何用matlab实现数字手势的识别
参考技术A模式识别、机器学习。一般的做法是：首先要有一定数量的手势图片；其次将训练用的手势图片进行人工分类，即“打上标签”再次将手势图片转换成轮廓图（可以用DFT、DCT、小波变换等计算出边缘，然后对边缘进行... 查看详情
毕业设计python机器视觉车牌识别-opencv深度学习机器学习(代码片段)
1前言🚩基于python机器视觉的车牌识别系统🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：2分🧿选题指导,项目分享：https://gitee.com/dancheng-senior/project-sharing-1/blob/master/%... 查看详情
深度学习100例——使用pytorch实现验证码识别|第4例
前言大家好，我是阿光。本专栏整理了《深度学习100例》，内包含了各种不同的深度学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。正在更新中~✨ 查看详情
人脸识别完整项目实战：完整项目案例运行演示
...的算法原理和实现机制，让大家对人脸识别与机器学习、深度学习进行有效关联；学习框架篇：系统介绍主流深度学习框架，重点就本课程用到Dlib深度学习框架进行介绍，通过dlib深度学习实战案例1和dlib深度学习实战案例2，两... 查看详情
深度学习100例|第41天：语音识别-pytorch实现(代码片段)
...的环境：语言环境：Python3.8编译器：JupyterLab深度学习环境：torch==1.10.0+cu113torchvision==0.11.1+cu113创作平台：🔗极链AI云创作教程：🔎操作手册深度学习环境配置教程：小白入门... 查看详情
深度学习100例|第1例：猫狗识别-pytorch实现(代码片段)
...om/kzbkzb/Python-AI已收录作者：K同学啊来自专栏：《深度学习100例》-PyTorch版本数据链接：https://pan.baidu.com/s/1YREL1omT9YJrp9B1PBPTfQ（提取码 查看详情
人脸识别---基于深度学习和稀疏表达的人脸识别算法
介绍基于深度学习和稀疏表达的人脸识别算法1利用VGGFace提取人脸特征2PCA对人脸特征进行降维3稀疏表达的人脸匹配Code1介绍本文将介绍一种基于深度学习和稀疏表达的人脸识别算法。首先，利用深度学习框架(VGGFace)提取人脸特征... 查看详情
人脸识别---基于深度学习和稀疏表达的人脸识别算法
介绍基于深度学习和稀疏表达的人脸识别算法1利用VGGFace提取人脸特征2PCA对人脸特征进行降维3稀疏表达的人脸匹配Code1介绍本文将介绍一种基于深度学习和稀疏表达的人脸识别算法。首先。利用深度学习框架(VGGFace)提取人脸特征... 查看详情
深度学习100例-卷积神经网络（cnn）实现车牌识别|第15天
文章目录一、前期工作1.设置GPU2.导入数据3.数据可视化4.标签数字化二、构建一个tf.data.Dataset1.预处理函数2.加载数据3.配置数据三、搭建网络模型四、设置动态学习率五、编译六、训练七、模型评估八、保存和加载模型九、预测... 查看详情