Rozpoznawanie Znaków Drogowych przy użyciu Konwolucyjnych Sieci Neuronowych

Skrypt napisany w języku Python wykorzystuje sieci neuronowe konwolucyjne (CNN) do rozpoznawania znaków drogowych na zdjęciach.

Skrypt składa się z następujących sekcji:

1. Importowanie wymaganych bibliotek: Importowanie niezbędnych bibliotek takich jak NumPy, Pandas, Matplotlib, OpenCV, TensorFlow, PIL i inne, niezbędnych do przetwarzania obrazów i zadań związanych z uczeniem głębokim.

2. Funkcje programu: Definicje funkcji wykorzystywanych do określonych zadań w programie.

3. Parametry programu: Parametry wykorzystywane do konfiguracji wykonania programu.
   WAŻNE: Należy wskazać ścieżkę bezwględną do katalogu projektu utworzonego w sekcji Użycie

4. Parametry modelu: Parametry wykorzystywane do uczenia modelu.

5. Trening modelu: Główna część programu służąca do wyuczenia modelu na danych treningowych. WAŻNE: Jeśli w danej lokalizacji (w podpolderze 'trening' katalogu projektu) istnieje model o danej nazwie, to wykona się kod odpowiedzialny za ocenę jakości modelu na próbce testowej (katalog 'Test')

6. Testowanie na nowych danych: Ładowanie zestawu testowego, prognozowanie klas za pomocą wytrenowanego modelu i obliczanie dokładności modelu na danych testowych.

7. Zapis i wczytywanie modelu: Zapisanie wytrenowanego modelu do pliku oraz jego wczytanie w celu późniejszego użycia.

8. Prognozowanie na obrazie użytkownika: Funkcja, która przyjmuje obraz przesłany przez użytkownika, przetwarza go i przewiduje klasę znaku drogowego za pomocą wytrenowanego modelu.

Użycie

Aby użyć skryptu w środowisku Windows należy wykonać poniższe kroki w terminalu cmd lub Powershell:

1. Należy utworzyć katalog projektu i skopiować do niego pliki projektu
   mkdir Projekt
   cd Projekt
   skopiować pliki projektu : git clone https://github.com/Penteusz/python-traffic-signs-classification.git (wymaga zainstalowania aplikacji git) lub pobrać spakowane pliki (.zip) z repozytorium i je rozpakować w katalogu "Projekt" - zostanie utworzony folder o nazwie "python-traffic-signs-classification" zawierający pliki projektowe
2. Należy wejść do folderu "python-traffic-signs-classification" i utworzyć w nim środowisko wirtualne
   python -m venv .\env\traffic-signs
   * Jeśli domyśłnie używana jest inna wersja pythona, należy zainstalować wersję 3.8.x i utworzyć środowisko podając ścieżkę do pliku wykonywalego python w wersji 3.8.x np: C:\Users\...\Python\Python38\python.exe -m venv .\env\traffic-signs
3. Należy aktywować środowisko wirtualne
   .\env\traffic-signs\Scripts\activate
4. Zainstalować wymagane biblioteki:
   pip install -r requirements.txt --no-cache-dir
5. Utworzyć kernel, który zostanie użyty do wykonania programu:
   python -m ipykernel install --user --name=traffic-signs
6. Uruchomić jupyter notebook:
   jupyter notebook
7. Po uruchomieniu jupyter notebook w przeglądarce internetowej należy wybrać plik "traffic_signs_recognition.ipynb"
8. W zakładce "Kernel" w panelu górnym wybrać Change kernel a następnie wskazać traffic-signs
9. W pliku projektu "traffic_signs_recognition.ipynb" w sekcji Parametry programu należy zmodyfikować ścieżkę projektu (bezwzględną) project_path, aby wskazywała na katalog "Projekt\python-traffic-signs-classification".
10. W celu modyfikacji parametrów dotyczących modelu można dostosowywać parametry modelu tj. epochs, batch size w sekcji Parametry programu

Uruchomienie programu

Program można wykonywać sekwencyjnie - komórka po komórce - albo w całości wybierając na górnym pasku Cell->Run All

Wymagania

• Python 3.8
• Biblioteki: numpy, Pillow, Keras, tensorflow, matplotlib, jupyter, ipykernel (dokładna specyfikacja w pliku requirements.txt)