原文链接：https://tecdat.cn/?p=36539

此外，我们还引入了一个新的“未知”类别，并对模型进行了重新训练，以提高其在实际应用中的泛化能力。

随着深度学习技术的快速发展，图像分类在交通管理、自动驾驶等领域的应用日益广泛。然而，对于特定的图像分类任务，如交通标志识别，从头开始训练一个深度学习模型往往需要大量的时间和计算资源。因此，迁移学习技术应运而生，它通过利用在大型数据集上预训练的模型，可以大大加快模型的训练速度并提高分类性能。

方法

在本研究中，我们采用了以下步骤来构建和训练交通标志图像分类模型：

1. 交通标志图像数据集概述：我们首先对所使用的交通标志图像数据集进行了概述，包括数据集的来源、规模、类别分布等信息。

2. 构建数据集：我们将原始图像数据转换为适用于Torchvision的数据集格式，并进行了必要的数据预处理和增强操作，以提高模型的泛化能力。

3. 使用Torchvision的预训练模型：我们选择了一个在大型数据集上预训练的深度学习模型作为起点，通过对其进行微调，使其适应交通标志图像的分类任务。

4. 添加新的“未知”类别并重新训练模型：为了处理实际应用中可能出现的未知类别的图像，我们在数据集中添加了一个新的“未知”类别，并对模型进行了重新训练。通过这种方法，模型可以在遇到未知类别的图像时给出相应的预测结果。

配置

%reload_ext watermark%watermark -v -p numpy,pandas,torch,torchvision

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")device

交通标志识别

德国交通标志识别基准（GTSRB）包含了超过50,000张带有40多种交通标志注释的图像。给定一张图像，您需要识别出其中的交通标志。

!unzip -qq GTSRB_Final_Training_Images.zip

代码模拟

让我们先来了解一下数据。每个交通标志的图像都存储在一个单独的目录中。我们有多少个？

len(train_folders)

我们将创建 3 个辅助函数，使用 OpenCV 和 Torchvision 来加载和显示图像：

def load_image(img_path, resize=True):  img = cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2RGB)  if resize:    img = cv2.resize(img, (64, 64), interpolation = cv2.INTER_AREA)

让我们看看每个交通标志的一些示例：

sample_images = [np.random.choice(glob(f'{tf}/*ppm')) for tf in train_folders]show_sign_grid(sample_images)

这里有一个标志：

img_path = glob(f'{train_folders[16]}/*ppm')[1]show_image(img_path)