導(dǎo)入

あなたがあなたの家族の安全を確保するので、煙の匂い、心臓のレースに目覚めることを想像してください。早期発見は非常に重要であり、深い學(xué)習(xí)駆動(dòng)の火災(zāi)検出システムである「Flame Guardian」は、命を救うことを目指しています。この記事では、データ収集や増強(qiáng)から構(gòu)築と微調(diào)整まで、CNNとTensorflowを使用してこのテクノロジーの作成を?qū)Г蓼?。あなたが技術(shù)愛好家であろうと専門家であろうと、最先端のテクノロジーを活用して生活や財(cái)産を保護(hù)する方法を発見してください。

學(xué)習(xí)成果

• モデルのパフォーマンスを最適化するために、畫像データセットの準(zhǔn)備、整理、拡張のスキルを獲得します。
• 効果的な畫像分類タスクのために、畳み込みニューラルネットワークを構(gòu)築して微調(diào)整する方法を?qū)Wびます。
• メトリックと視覚化を使用してモデルパフォーマンスを評価および解釈する機(jī)能を開発します。
• 実際のアプリケーションのDL（ディープラーニング）モデルを展開および適応させる方法を?qū)Wび、火災(zāi)検出などの実際の問題の有用性を?qū)g証します。

この記事は、データサイエンスブログソンの一部として公開されました。

目次

• 火災(zāi)検出における深い學(xué)習(xí)の革命
• 火災(zāi)検出の課題
• データセットの概要
• 環(huán)境のセットアップ
• データの準(zhǔn)備
• 畫像の分布を視覚化する
• 火と炎のない畫像の表示
• 増強(qiáng)技術(shù)によるトレーニングデータの強(qiáng)化
• 火災(zāi)検出モデルの構(gòu)築
• モデルフィッティング：畳み込みニューラルネットワークのトレーニング
• モデルの評価
• 使用方法：新しい畫像での火災(zāi)の予測
• よくある質(zhì)問

火災(zāi)検出における深い學(xué)習(xí)の革命

最近では、TheDeep Learningは、ヘルスケアから金融まで、カラフルな分野に革命をもたらしており、今では安全性と災(zāi)害事業(yè)に進(jìn)出しています。深い學(xué)習(xí)の特に扇動(dòng)的な操作の1つは、火災(zāi)発見の領(lǐng)域にあります。世界中のバックファイヤーの頻度と柔軟性を追加することで、効果的で信頼できる火災(zāi)発見システムの開発は、これまで以上に極めて重要です。この包括的な仲間では、畳み込みニューラルネットワーク（CNNS）とTensorflowを使用して、重要な火災(zāi)発見システムを作成するプロセスを説明します。 「Flame Guardian」という適切な名前のこのシステムは、高い繊細(xì)さを持つ畫像からの火を識別することを目指しており、潛在的に広い火災(zāi)損傷の先見の際にbeり、

火災(zāi)は、山火事であろうと構(gòu)造的な火災(zāi)であろうと、生命、財(cái)産、環(huán)境に大きな脅威をもたらします?；馂?zāi)の壊滅的な影響を緩和するには、早期の検出が重要です。ディープラーニングベースの火災(zāi)検出システムは、膨大な量のデータを迅速かつ正確に分析し、エスカレートする前に火災(zāi)事件を特定できます。

火災(zāi)検出の課題

深い學(xué)習(xí)を使用して火を検出すると、いくつかの課題があります。

• データのばらつき：火の畫像は、色、強(qiáng)度、および周囲の環(huán)境の點(diǎn)で大きく異なる場合があります。堅(jiān)牢な検出システムは、この変動(dòng)性を処理できる必要があります。
• 誤検知：不必要なパニックやリソースの展開を避けるために、偽の陽性（火災(zāi)と誤って識別する）を最小限に抑えることが重要です（火災(zāi)と燃えない畫像を誤って識別する）。
• リアルタイム処理：実際の使用のために、システムは畫像をリアルタイムで処理できる必要があり、タイムリーなアラートを提供します。
• スケーラビリティ：システムは、大きなデータセットを処理し、異なる作業(yè)を行うためにスケーラブルである必要があります。

データセットの概要

Flame Guardian Fire Detection Systemに使用されるデータセットは、「火災(zāi)」と「非発火」の2つのクラスに分類された畫像を含むことを含みます。このデータセットの主な目的は、畳み込みニューラルネットワーク（CNN）モデルをトレーニングして、火災(zāi)を含む畫像とそうでない畫像を正確に區(qū)別することです。

火と非火の畫像の構(gòu)成

• 火災(zāi)畫像：これらの畫像には、火が存在するさまざまなシナリオが含まれています。データセットには、山火事、構(gòu)造火災(zāi)、および制御された火傷の畫像が含まれています。これらの畫像の火の火は、サイズ、強(qiáng)度、およびそれが存在する環(huán)境が異なる場合があります。この多様性は、モデルが火のさまざまな視覚特性を?qū)Wぶのに役立ちます。
• 非火災(zāi)畫像：これらの畫像には火が含まれていません。これらには、風(fēng)景、建物、森林、その他の自然や都市環(huán)境など、火災(zāi)のない幅広いシナリオが含まれています。多様な非火災(zāi)畫像を含めることで、モデルが火災(zāi)以外の狀況で火災(zāi)を誤って識別しないことが保証されます。

ここからデータセットをダウンロードできます。

環(huán)境のセットアップ

まず、必要なライブラリとツールを使用して地形をセットアップする必要があります。 GPUサポートを備えたアクセス可能なプラットフォームを提供するため、このデザインにGoogle Collabを使用します。以前はデータセットをダウンロードし、ドライブにアップロードしました。

 #Mount Drive
Google.colabインポートドライブから
drive.mount（ '/content/drive'）

＃必要なライブラリを輸入します
npとしてnumpyをインポートします
PDとしてパンダをインポートします
pltとしてmatplotlib.pyplotをインポートします
シーボーンをSNSとしてインポートします
pxとしてplotly.Expressをインポートします
plotly.graph_objectsを移動(dòng)します
plotly.subplotsからimport make_subplots
OSをインポートします
tfとしてtensorflowをインポートします
Tensorflow.keras.preprocessingインポート畫像から
tensorflow.keras.preprocessing.imageインポートImagedatageneratorから


#Settingスタイルグリッド 
sns.set_style（ 'darkgrid'）

データの準(zhǔn)備

アルゴリズムをトレーニングするために、火災(zāi)と非火のスクリプトの寫真を含むデータセットが必要です。 Googleドライブから畫像を追加するための空白のデータフレームと機(jī)能が作成されます。

 ?？栅违签`タフレームを作成します
df = pd.dataframe（列= ['path'、 'label']））

＃データフレームに畫像を追加する機(jī)能
def add_images_to_df（ディレクトリ、ラベル）：
    dirnameの場合、_、os.walkのファイル名（ディレクトリ）：
        ファイル名のファイル名の場合：
            df.loc [len（df）] = [os.path.join（dirname、filename）、label]

?；黏萎嬒瘠蜃芳婴筏蓼?add_images_to_df（ '/content/drive/mydrive/fire/fire_dataset/fire_images'、 'fire'））

＃ファイア以外の畫像を追加します
add_images_to_df（ '/content/drive/mydrive/fire/fire_dataset/non_fire_images'、 'non_fire'）

＃データセットをシャッフルします
df = df.sample（frac = 1）.reset_index（drop = true）

畫像の分布を視覚化する

火災(zāi)と非火災(zāi)の畫像の分布を視覚化すると、データセットをよりよく理解することができます。インタラクティブなプロットにはプロットを使用します。

畫像配布のためのパイチャートを作成します

次に、畫像分布用のパイチャートを作成しましょう。

 ＃散布図を作成します
図= px.scatter（
    data_frame = df、
    x = df.index、
    y = 'label'、
    color = 'label'、
    title = '火と火の畫像の分布'
））

＃マーカーサイズを更新します
fig.update_traces（marker_size = 2）

図add_trace（go.pie（values = df ['label']。value_counts（）。to_numpy（）、labels = df ['label']。value_counts（）。index、marker = dict（colors = ['lightblue'、 'pink']）、row = 1、col = 2）

火と炎のない畫像の表示

ここで、火災(zāi)や炎以外の畫像を表示するためのコードを書いてみましょう。

 Def Visualize_images（ラベル、タイトル）：
    data = df [df ['label'] == label]
    寫真= 6＃寫真の數(shù)を設(shè)定します
    図、ax = plt.subplots（int（pics // 2）、2、figsize =（15、15））
    plt.suptitle（タイトル）
    ax = ax.ravel（）
    範(fàn)囲のIの場合（（寫真// 2） * 2）：
        path = data.sample（1）.loc [:, 'path']。to_numpy（）[0]
        img = image.load_img（path）
        img = image.img_to_array（img） / 255
        ax [i] .imshow（img）
        ax [i] .axes.xaxis.set_visible（false）
        ax [i] .axes.yaxis.set_visible（false）
visualize_images（ 'fire'、 'fire with fire'））
visualize_images（ 'non_fire'、 '畫像のない'）） 

火災(zāi)カテゴリと非火災(zāi)カテゴリの両方からいくつかのサンプル畫像を表示することにより、モデルがどのような動(dòng)作しているのかという感覚が得られます。

増強(qiáng)技術(shù)によるトレーニングデータの強(qiáng)化

トレーニングデータを改善するために、畫像の追加方法を適用します。旋回、ドローン、せん斷と同様の任意の畫像適応を適用することは、追加として知られています。より堅(jiān)牢で異なるデータセットを生成することにより、この手順は、新しい畫像に一般化するモデルの能力を強(qiáng)化します。

 tensorflow.keras.modelsからインポートシーケンシャルから
Tensorflow.keras.layersからImport conv2d、maxpool2d、flatten、denseから

ジェネレーター=イメージガネレーター（
    Rotation_range = 20、
    width_shift_range = 0.1、
    height_shift_range = 0.1、
    shear_range = 2、
    Zoom_Range = 0.2、
    リスペール= 1/255、
    validation_split = 0.2、
））
train_gen = generator.flow_from_dataframe（df、x_col = 'path'、y_col = 'label'、images_size =（256,256）、class_mode = 'binary'、subset = 'トレーニング'）
val_gen = generator.flow_from_dataframe（df、x_col = 'path'、y_col = 'label'、images_size =（256,256）、class_mode = 'binary'、subset = 'validation'）
class_indices = {}
train_gen.class_indices.keys（）のキーの場合：
    class_indices [train_gen.class_indices [key]] = key
    
print（class_indices）

拡張畫像の視覚化

トレーニングセットによって生成された拡張畫像の一部を視覚化できます。

 sns.set_style（ 'dark'）
寫真= 6＃寫真の數(shù)を設(shè)定します
図、ax = plt.subplots（int（pics // 2）、2、figsize =（15、15））
plt.suptitle（ 'トレーニングセットで生成された畫像'）
ax = ax.ravel（）
範(fàn)囲のIの場合（（寫真// 2） * 2）：
    ax [i] .imshow（train_gen [0] [0] [i]）
    ax [i] .axes.xaxis.set_visible（false）
    ax [i] .axes.yaxis.set_visible（false）

火災(zāi)検出モデルの構(gòu)築

私たちのモデルは、いくつかの畳み込み層に対応し、それぞれに最大プーリングサブキャストが続きます。畳み込みレイヤーはCNNSのコア構(gòu)造ブロックであり、モデルが畫像からの特徴の空間スケールを?qū)W習(xí)できるようにします。最大プーリングレイヤーは、ポイントマップの次元を減らすのに役立ち、モデルをより効果的にします。また、モデルの終わりに向けて完全に接続された（厚い）レイヤーを追加します。これらのレイヤーは、畳み込みレイヤーによって學(xué)習(xí)された機(jī)能を組み合わせて、最終的なブラケットの決定を行うのに役立ちます。 Subcasteの問題には、シグモイド活性化関數(shù)を備えた単一のニューロンがあり、畫像に火が含まれているかどうかを示す確率スコアに貢獻(xiàn)します。モデルアーマチュアを定義した後、各サブキャストの構(gòu)造とパラメーターの數(shù)を確認(rèn)するための要約を公開します。このステップは、モデルが正しく構(gòu)成されていることを保証するために重要です。

 tensorflow.keras.modelsからインポートシーケンシャルから
Tensorflow.keras.layersからImport conv2d、maxpool2d、flatten、denseから

Model = sequential（）
model.add（conv2d（filters = 32、kernel_size =（2,2）、activation = 'lelu'、input_shape =（256,256,3）））
model.add（maxpool2d（））
Model.Add（conv2d（filters = 64、kernel_size =（2,2）、activation = 'lelu'））
model.add（maxpool2d（））
Model.Add（conv2d（filters = 128、kernel_size =（2,2）、activation = 'lelu'））
model.add（maxpool2d（））
model.add（flatten（））
model.add（dense（64、activation = 'lelu'）））
model.add（dense（32、activation = 'lelu'））
model.add（濃度（1、activation = 'sigmoid'））
model.summary（）

オプティマイザーと損失関數(shù)を使用してモデルをコンパイルします

次に、Adam Optimizerとバイナリクロスエントロピー損失関數(shù)を使用してモデルをコンパイルします。 Adam Optimizerは、その効率と適応學(xué)習(xí)率のために深い學(xué)習(xí)に広く使用されています。バイナリ交差エントロピーは、バイナリ分類の問題（火災(zāi)対非発火）に適しています。

また、トレーニングと検証中のモデルのパフォーマンスを評価するために、精度、リコール、面積（AUC）などの追加のメトリックを指定します。

最適なトレーニングのためにコールバックを追加します

コールバックは、トレーニングプロセスを監(jiān)視および制御できるTensorflowの強(qiáng)力な機(jī)能です。 2つの重要なコールバックを使用します。

• アーリーストップ：検証損失が改善され、過剰裝著が妨げられたときにトレーニングを停止します。
• ReducelronPlateau：検証損失が停止したときに學(xué)習(xí)率が低下し、モデルがより良いソリューションに収束するのに役立ちます。

 #compilingモデル
Tensorflow.keras.metrics Import Recallから、AUCから
Tensorflow.keras.utilsからインポートplot_modelから

model.compile（optimizer = 'adam'、loss = 'binary_crossentropy'、metrics = ['quarcals'、recall（）、auc（）]））

＃コールバックを定義します
Tensorflow.keras.callbacksからImport Early -Stopping、ReducelronPlateauから
Early_stoppping = EarlyStopping（Monitor = 'Val_loss'、Patience = 5、restore_best_weights = true）
Reduce_lr_on_plateau = ReducelronPlateau（Monitor = 'Val_loss'、Factor = 0.1、Patience = 5）

モデルフィッティング：畳み込みニューラルネットワークのトレーニング

モデルフィッティングとは、データセットで機(jī)械學(xué)習(xí)モデルをトレーニングするプロセスを指します。このプロセス中、モデルは、損失関數(shù)を最小限に抑えるためにパラメーター（重みとバイアス）を調(diào)整することにより、データの基礎(chǔ)となるパターンを?qū)W習(xí)します。深い學(xué)習(xí)の文脈では、これにはトレーニングデータを介した前後のパスのいくつかのエポックが含まれます。

 model.fit（x = train_gen、batch_size = 32、epochs = 15、validation_data = val_gen、callbacks = [erily_stoppping、resed_lr_on_plateau]））

モデルの評価

トレーニング後、検証セットでモデルのパフォーマンスを評価します。このステップは、モデルが新しいデータにどれだけよく一般化されるかを理解するのに役立ちます。また、トレーニングの履歴を視覚化して、損失とメトリックが時(shí)間とともにどのように進(jìn)化したかを確認(rèn)します。

 eval_list = model.evaluate（val_gen、return_dict = true）
eval_list.keys（）のメトリックの場合：
    print（metric f "：{eval_list [metric]：。2f}"）
   
eval_list = model.evaluate（val_gen、return_dict = true）
eval_list.keys（）のメトリックの場合：
    print（metric f "：{eval_list [metric]：。2f}"）

使用方法：新しい畫像での火災(zāi)の予測

最後に、訓(xùn)練されたモデルを使用して、新しい畫像に火が含まれているかどうかを予測する方法を示します。この手順では、畫像をロードし、モデルの入力要件に合わせて前処理し、モデルを使用して予測を行います。

畫像のダウンロードとロード

インターネットからサンプル畫像をダウンロードし、Tensorflowの畫像処理機(jī)能を使用してロードします。このステップでは、畫像のサイズを変更し、ピクセル値を正規(guī)化します。

予測を行う

訓(xùn)練されたモデルを使用して、ロードされた畫像を予測します。モデルは確率スコアを出力し、バイナリ分類（火災(zāi)または発火）を取得するために丸めます。また、クラスインデックスを使用して、予測を?qū)潖辘工毳楗佶毪衰蕙氓豫螗挨筏蓼埂?/p>

 ＃畫像のダウンロード
！curl https://static01.nyt.com/images/2021/02/19/world/19storm-b??riefing-texas-fire/19storm-b??riefing-texas-fire-articlelarge.jpg -output Predict.jpg
＃畫像のロード
img = image.load_img（ 'predict.jpg'）
IMG

img = image.img_to_array（img）/255
img = tf.image.resize（img、（256,256））
img = tf.expand_dims（img、axis = 0）

print（ "Image Shape"、img.shape）

prediction = int（tf.round（model.predict（x = img））。numpy（）[0] [0]）
print（ "予測値は："、予測、 "、および予測されたラベルは："、class_indices [Prediction]））））） 

結(jié)論

「Flame Guardian」のような深い學(xué)習(xí)ベースの火災(zāi)検出システムを開発することは、実際の課題に対処する際に深い學(xué)習(xí)の変革的可能性を例示しています。データの準(zhǔn)備と視覚化からモデルの構(gòu)築、トレーニング、評価まで、各ステップに細(xì)心の注意を払って追跡することにより、畫像の火を検出するための堅(jiān)牢なフレームワークを作成しました。このプロジェクトは、深い學(xué)習(xí)に関係する技術(shù)的な複雑さを強(qiáng)調(diào)するだけでなく、安全と災(zāi)害防止のために技術(shù)を活用することの重要性も強(qiáng)調(diào)しています。

結(jié)論付けているように、DLモデルが火災(zāi)検出システムを大幅に強(qiáng)化し、より効率的で信頼性が高く、スケーラブルであることが明らかです。従來の方法にはメリットがありますが、深い學(xué)習(xí)を組み込むと、新しいレベルの洗練と正確さが導(dǎo)入されます。 「Flame Guardian」の開発の旅は、現(xiàn)代のテクノロジーの計(jì)り知れない能力を紹介し、啓発的でやりがいのあるものでした。

キーテイクアウト

• データの取り扱いと視覚化技術(shù)を理解しました。
• 適切なデータ収集と増強(qiáng)を理解したことで、効果的なモデルのトレーニングと一般化が確保されます。
• モデルビルディングとモデル評価を?qū)g裝しました。
• トレーニングを最適化し、過剰適合を防ぐために、EarlyStoppingやReducelronPlateauなどのコールバックを理解しました。
• CNNを使用した火災(zāi)検出のための構(gòu)築畳み込みニューラルネットワークを?qū)W習(xí)しました。

よくある質(zhì)問

A.「Flame Guardian」は、畳み込みニューラルネットワーク（CNNS）とTensorflowを使用して、高精度のある畫像の火災(zāi)を識別する火災(zāi)検出システムです。

A.早期の火災(zāi)検出は、大規(guī)模な損害を防ぎ、命の救い、火災(zāi)の環(huán)境への影響を軽減するために重要です。迅速な反応は、山火事と構(gòu)造的な火災(zāi)の両方の壊滅的な影響を大幅に軽減できます。

A.課題には、データの変動(dòng)性（色、強(qiáng)度、環(huán)境の違い）の処理、誤検知の最小化、リアルタイム処理機(jī)能の確保、および大きなデータセットを処理するスケーラビリティが含まれます。

A.畫像の増強(qiáng)は、回転、ズーム、せん斷などのランダム変換を適用することにより、トレーニングデータセットを強(qiáng)化します。これにより、モデルがさまざまなシナリオにさらされ、その堅(jiān)牢性が向上することで、モデルがより良く一般化するのに役立ちます。

A.モデルは、精度、リコール、曲線下の領(lǐng)域（AUC）などのメトリックを使用して評価されます。これらのメトリックは、モデルが火災(zāi)と火災(zāi)の畫像とその全體的な信頼性をどれだけうまく區(qū)別するかを評価するのに役立ちます。

この記事に示されているメディアは、Analytics Vidhyaが所有しておらず、著者の裁量で使用されています。

以上がF(xiàn)lame Guardian：ディープラーニングベースの火災(zāi)検出システムの詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國語 Web サイトの他の関連記事を參照してください。