一个人免费观看在线视频www,xxfree性欧美hd

想象一下，在確保家人的安全時，要醒來煙味，心跳加速。早期檢測至關(guān)重要，并且是一個深層學(xué)習(xí)驅(qū)動的火災(zāi)探測系統(tǒng)的“火焰監(jiān)護(hù)人”，旨在使挽救生命的差異。本文指導(dǎo)您使用CNN和TensorFlow創(chuàng)建此技術(shù)，從數(shù)據(jù)收集和增強(qiáng)到模型構(gòu)建和微調(diào)。無論您是技術(shù)愛好者還是專業(yè)人士，都可以發(fā)現(xiàn)如何利用尖端技術(shù)來保護(hù)生活和財產(chǎn)。

學(xué)習(xí)成果

獲得準(zhǔn)備，組織和增強(qiáng)圖像數(shù)據(jù)集的技能，以優(yōu)化模型性能。
了解如何構(gòu)建和微調(diào)卷積神經(jīng)網(wǎng)絡(luò)以進(jìn)行有效的圖像分類任務(wù)。
使用指標(biāo)和可視化來評估和解釋模型性能的能力。
了解如何為實用應(yīng)用部署和調(diào)整DL（深度學(xué)習(xí)）模型，以證明其在消防檢測等現(xiàn)實世界中的實用性。

本文作為數(shù)據(jù)科學(xué)博客馬拉松的一部分發(fā)表。

深度學(xué)習(xí)中的革命檢測
火災(zāi)檢測中的挑戰(zhàn)
數(shù)據(jù)集概述
設(shè)置環(huán)境
數(shù)據(jù)準(zhǔn)備
可視化圖像的分布
展示火和非火圖像
通過增強(qiáng)技術(shù)增強(qiáng)培訓(xùn)數(shù)據(jù)
構(gòu)建火災(zāi)檢測模型
模型擬合：培訓(xùn)卷積神經(jīng)網(wǎng)絡(luò)
評估模型
示例用法：預(yù)測新圖像中的火
常見問題

深度學(xué)習(xí)中的革命檢測

最近，Thedeep Learning徹底改變了從醫(yī)療保健到金融的色彩豐富的領(lǐng)域，現(xiàn)在，它在安全和災(zāi)難運(yùn)營方面取得了長足的進(jìn)步。深度學(xué)習(xí)的一個特別激烈的操作是火災(zāi)發(fā)現(xiàn)領(lǐng)域。隨著全球范圍反射的增加頻率和僵化性，開發(fā)有效且可靠的火災(zāi)發(fā)現(xiàn)系統(tǒng)比以往任何時候都更加關(guān)鍵。在這個全面的伴侶中，我們將引導(dǎo)您完成使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和TensorFlow創(chuàng)建重要的火災(zāi)發(fā)現(xiàn)系統(tǒng)的過程。該系統(tǒng)恰當(dāng)?shù)孛麨椤盎鹧姹O(jiān)護(hù)人”。

火災(zāi)，無論是野火還是結(jié)構(gòu)性火災(zāi)對生命，財產(chǎn)和環(huán)境構(gòu)成重大威脅。早期發(fā)現(xiàn)對于減輕火災(zāi)的毀滅性影響至關(guān)重要?；谏疃葘W(xué)習(xí)的火災(zāi)檢測系統(tǒng)可以快速，準(zhǔn)確地分析大量數(shù)據(jù)，在升級之前識別火災(zāi)事件。

火災(zāi)檢測中的挑戰(zhàn)

使用深度學(xué)習(xí)檢測火提出了一些挑戰(zhàn)：

數(shù)據(jù)可變性：火影圖像在顏色，強(qiáng)度和周圍環(huán)境方面可能有很大差異。強(qiáng)大的檢測系統(tǒng)必須能夠處理此變異性。
誤報：將假陽性（錯誤地識別為火災(zāi)）最小化以避免不必要的恐慌和資源部署至關(guān)重要。
實時處理：為了實際使用，系統(tǒng)應(yīng)能夠?qū)崟r處理圖像，并提供及時的警報。
可伸縮性：系統(tǒng)應(yīng)可擴(kuò)展以處理大型數(shù)據(jù)集并在不同的情況下工作。

數(shù)據(jù)集概述

用于火焰監(jiān)護(hù)人火災(zāi)檢測系統(tǒng)的數(shù)據(jù)集包括分為兩個類：“火”和“非火力”的圖像。該數(shù)據(jù)集的主要目的是訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，以準(zhǔn)確區(qū)分包含火的圖像和那些沒有火災(zāi)的圖像。

火和非火圖像的組成

火災(zāi)圖像：這些圖像包含存在火災(zāi)的各種情況。該數(shù)據(jù)集包括野火，結(jié)構(gòu)火和受控?zé)齻膱D像。這些圖像中的火可能在大小，強(qiáng)度和存在的環(huán)境上有所不同。這種多樣性有助于模型學(xué)習(xí)火的不同視覺特征。
非火圖像：這些圖像不包含任何火。它們包括各種場景，例如景觀，建筑物，森林以及其他自然和城市環(huán)境，而沒有任何火災(zāi)。包含多種非火圖像可確保模型不能在非火災(zāi)情況下錯誤地識別火災(zāi)。

您可以從這里下載數(shù)據(jù)集。

設(shè)置環(huán)境

首先，我們需要使用必要的庫和工具來建立自己的地形。我們將使用Google協(xié)作進(jìn)行此設(shè)計，因為它為GPU支持提供了一個可訪問的平臺。我們以前已經(jīng)下載了數(shù)據(jù)集并將其上傳到驅(qū)動器上。

 #mount驅(qū)動器
從Google.Colab Import Drive
drive.mount（'/content/drive'）

＃Importing必要的庫
導(dǎo)入numpy作為NP
導(dǎo)入大熊貓作為pd
導(dǎo)入matplotlib.pyplot作為PLT
進(jìn)口海洋作為SNS
導(dǎo)入plotly.extress為px
導(dǎo)入plotly.graph_objects作為go
從plotly.subplots導(dǎo)入make_subplots
導(dǎo)入操作系統(tǒng)
導(dǎo)入TensorFlow作為TF
來自Tensorflow.keras.preprocessing導(dǎo)入圖像
來自tensorflow.keras.preprocessing.image導(dǎo)入成像的Atagenerator


#setting樣式網(wǎng)格 
sns.set_style（'darkgrid'）

數(shù)據(jù)準(zhǔn)備

我們需要一個帶有火和非火語腳本圖片的數(shù)據(jù)集，以訓(xùn)練我們的算法。將創(chuàng)建一個空白的數(shù)據(jù)幀和一個函數(shù)來添加Google驅(qū)動器中的圖像。

 ＃創(chuàng)建一個空數(shù)據(jù)框
df = pd.dataframe（columns = ['path'，'label']）

＃功能將圖像添加到數(shù)據(jù)框
def add_images_to_df（目錄，標(biāo)簽）：
    對于dirname，_，在OS.Walk（目錄）中的文件名：
        用于文件名中的文件名：
            df.loc [len（df）] = [os.path.join（dirname，filename），標(biāo)簽]

＃添加火圖像
add_images_to_df（'/content/drive/mydrive/fire/fire_dataset/fire_images'，'fire'）

＃添加非火圖像
add_images_to_df（'/content/drive/mydrive/fire/fire_dataset/non_fire_images'，'non_fire'）

＃洗牌數(shù)據(jù)集
df = df.sample（frac = 1）.Reset_index（drop = true）

可視化圖像的分布

可視化火災(zāi)和非火力圖像的分布有助于我們更好地了解數(shù)據(jù)集。我們將繪圖用于交互式圖。

創(chuàng)建圖像發(fā)行的餅圖

現(xiàn)在讓我們創(chuàng)建一個用于圖像分布的餅圖。

 ＃創(chuàng)建散點(diǎn)圖
無花果= px.scatter（
    data_frame = df，
    x = df.index，
    y ='label'，
    顏色='label'，
    title =“火和非火圖像的分布”
）

＃更新標(biāo)記大小
圖.update_traces（Marker_Size = 2）

圖.add_trace（go.pie（values = df ['label']。value_counts（）。

火焰監(jiān)護(hù)人：基于深度學(xué)習(xí)的火災(zāi)檢測系統(tǒng)

展示火和非火圖像

現(xiàn)在讓我們編寫用于顯示火和非火圖像的代碼。

 Def Visualize_images（標(biāo)簽，標(biāo)題）：
    data = df [df ['label'] ==標(biāo)簽]
    圖片= 6＃設(shè)置圖片的數(shù)量
    圖，ax = plt.subplots（int（pics // 2），2，無花果=（15，15））
    plt.suptitle（標(biāo)題）
    ax = ax.ravel（）
    對于范圍（（圖片// 2） * 2）的i
        路徑= data.sample（1）.loc [：，'path']。to_numpy（）[0]
        img = image.load_img（路徑）
        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'，'帶火的圖像'）
visualize_images（'non_fire'，“無火的圖像”）

火焰監(jiān)護(hù)人：基于深度學(xué)習(xí)的火災(zāi)檢測系統(tǒng)

通過顯示一些來自火災(zāi)和非火災(zāi)類別的示例圖像，我們將了解我們的模型將使用的內(nèi)容。

通過增強(qiáng)技術(shù)增強(qiáng)培訓(xùn)數(shù)據(jù)

我們將采用圖像添加方法來改善我們的培訓(xùn)數(shù)據(jù)。應(yīng)用任意圖像適應(yīng)（類似于回旋，無人機(jī)和剪切）被稱為加法。通過生成更健壯和不同的數(shù)據(jù)集，此過程增強(qiáng)了模型概括為新圖像的能力。

來自tensorflow.keras.models導(dǎo)入順序
來自tensorflow.keras.layers導(dǎo)入conv2d，maxpool2d，扁平，密集

Generator = Imagedatagenerator（
    rotation_range = 20，
    width_shift_range = 0.1，
    height_shift_range = 0.1，
    shear_range = 2，
    zoom_range = 0.2，
    recale = 1/255，
    驗證_split = 0.2，
）
train_gen = generator.flow_from_dataframe（df，x_col ='path'，y_col ='label'，images_size =（256,256），class_mode ='binary'，subset ='訓(xùn)練'）
val_gen = generator.flow_from_dataframe（df，x_col ='path'，y_col ='label'，images_size =（256,256），class_mode ='binary'，subset ='驗證'）
class_indices = {}
對于train_gen.class_indices.keys（）中的鍵：
    class_indices [train_gen.class_indices [鍵]] =鍵
    
打?。╟lass_indices）

可視化增強(qiáng)圖像

我們可以可視化訓(xùn)練集產(chǎn)生的一些增強(qiáng)圖像。

 sns.set_style（'dark'）
圖片= 6＃設(shè)置圖片的數(shù)量
圖，ax = plt.subplots（int（pics // 2），2，無花果=（15，15））
plt.suptitle（“訓(xùn)練集中生成的圖像”）
ax = ax.ravel（）
對于范圍（（圖片// 2） * 2）的i
    ax [i] .imshow（train_gen [0] [0] [i]）
    ax [i] .axes.xaxis.set_visible（false）
    ax [i] .axes.yaxis.set_visible（false）

火焰監(jiān)護(hù)人：基于深度學(xué)習(xí)的火災(zāi)檢測系統(tǒng)

構(gòu)建火災(zāi)檢測模型

我們的模型將對應(yīng)幾個卷積層，每個卷積層隨后是最大池子播種機(jī)。卷積層是CNN的核心結(jié)構(gòu)塊，使模型可以從圖像中學(xué)習(xí)特征的空間尺度。最大池層有助于降低點(diǎn)圖的維度，從而使模型更有效。我們還將在模型末端添加完全連接的（厚）。這些層有助于結(jié)合卷積層學(xué)到的功能，并做出最終的括號決定。該事件子播種將具有具有Sigmoid激活函數(shù)的單個神經(jīng)元，該神經(jīng)元的概率得分表明圖像是否包含火。定義模型電樞后，我們將發(fā)布一個摘要，以查看每個子播種機(jī)中的結(jié)構(gòu)和參數(shù)數(shù)量。此步驟對于確保正確配置模型很重要。

來自tensorflow.keras.models導(dǎo)入順序
來自tensorflow.keras.layers導(dǎo)入conv2d，maxpool2d，扁平，密集

型號=順序（）
model.Add（conv2d（過濾器= 32，kernel_size =（2,2），activation ='relu'，input_shape =（256,256,3）））））））））
model.Add（maxpool2d（））
model.Add（conv2d（filters = 64，kernel_size =（2,2），activation ='relu'））
model.Add（maxpool2d（））
model.Add（conv2d（filters = 128，kernel_size =（2,2），activation ='relu'））
model.Add（maxpool2d（））
模型add（Flatten（））
ADD（密集（64，激活='relu'））
ADD（密集（32，激活='relu'））
ADD（密集（1，激活='Sigmoid'））
model.summary（）

用優(yōu)化器和損失功能編譯模型

接下來，我們將使用ADAM優(yōu)化器和二進(jìn)制交叉滲透損失函數(shù)進(jìn)行編譯。 Adam Optimizer的效率和自適應(yīng)學(xué)習(xí)率廣泛用于深度學(xué)習(xí)。二進(jìn)制跨凝結(jié)適用于我們的二元分類問題（火與非火災(zāi)）。

我們還將指定其他指標(biāo)，例如曲線（AUC）下的準(zhǔn)確性，召回和區(qū)域，以評估模型在訓(xùn)練和驗證過程中的性能。

添加回調(diào)以進(jìn)行最??佳培訓(xùn)

回調(diào)是TensorFlow中的一個強(qiáng)大功能，使我們能夠監(jiān)視和控制訓(xùn)練過程。我們將使用兩個重要的回調(diào)：

早期踩踏：當(dāng)驗證損失停止改善，防止過度擬合時，停止訓(xùn)練。
REDUCELRONPLATEAU：降低驗證損失高原時的學(xué)習(xí)率，幫助模型收斂到更好的解決方案。

 #compiling模型
來自Tensorflow.keras.metrics導(dǎo)入召回，AUC
來自tensorflow.keras.utils導(dǎo)入plot_model

model.compile（優(yōu)化器='adam'，loss ='binary_crossentropy'，metrics = ['fecuctiacy'，召回（），auc（）），）

＃定義回調(diào)
從tensorflow.keras.callbacks進(jìn)口早期踩踏，還原
早期_Stoppping =早期踩踏（Monitor ='Val_loss'，耐心= 5，Restore_best_weights = true）
redy_lr_on_plateau = reducelronplateau（Monitor ='val_loss'，因子= 0.1，耐心= 5）

模型擬合：培訓(xùn)卷積神經(jīng)網(wǎng)絡(luò)

模型擬合是指訓(xùn)練數(shù)據(jù)集上的機(jī)器學(xué)習(xí)模型的過程。在此過程中，該模型通過調(diào)整其參數(shù)（權(quán)重和偏見）以最大程度地減少損耗函數(shù)來了解數(shù)據(jù)中的基本模式。在深度學(xué)習(xí)的背景下，這涉及到訓(xùn)練數(shù)據(jù)的幾個時代和后退傳球。

 model.fit（x = train_gen，batch_size = 32，epochs = 15，validation_data = val_gen，callbacks = [forath_stopppping，redion_lr_on_plateau]）

評估模型

訓(xùn)練后，我們將在驗證集上評估模型的性能。此步驟有助于我們了解模型對新數(shù)據(jù)的推廣程度。我們還將可視化培訓(xùn)歷史，以了解損失和指標(biāo)如何隨著時間的流逝而發(fā)展。

 eval_list = model.evaluate（val_gen，return_dict = true）
對于eval_list.keys（）中的公制：
    打印（公制F”：{eval_list [metric] :. 2f}”）
   
eval_list = model.evaluate（val_gen，return_dict = true）
對于eval_list.keys（）中的公制：
    打印（公制F”：{eval_list [metric] :. 2f}”）

火焰監(jiān)護(hù)人：基于深度學(xué)習(xí)的火災(zāi)檢測系統(tǒng)

示例用法：預(yù)測新圖像中的火

最后，我們將演示如何使用訓(xùn)練有素的模型來預(yù)測新圖像是否包含火。此步驟涉及加載圖像，預(yù)處理以匹配模型的輸入要求，并使用模型進(jìn)行預(yù)測。

下載和加載圖像

我們將從Internet下載示例圖像，并使用TensorFlow的圖像處理功能加載它。此步驟涉及調(diào)整圖像并標(biāo)準(zhǔn)化其像素值。

做出預(yù)測

使用訓(xùn)練有素的模型，我們將對已加載的圖像進(jìn)行預(yù)測。該模型將輸出概率分?jǐn)?shù)，我們將進(jìn)行四舍五入以獲得二進(jìn)制分類（火災(zāi)或非火災(zāi)）。我們還將使用類索引將預(yù)測映射到其相應(yīng)的標(biāo)簽。

 ＃下載圖像
！
＃加載圖像
img = image.load_img（'preadive.jpg'）
IMG

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

打?。ā皥D像形狀”，img.shape）

預(yù)測= int（tf.Round（model.predict（x = img））。numpy（）[0] [0]）
打印（“預(yù)測值是：”，預(yù)測”，預(yù)測標(biāo)簽為：

火焰監(jiān)護(hù)人：基于深度學(xué)習(xí)的火災(zāi)檢測系統(tǒng)

結(jié)論

開發(fā)基于深度學(xué)習(xí)的火災(zāi)探測系統(tǒng)，例如“火焰監(jiān)護(hù)人”，體現(xiàn)了深度學(xué)習(xí)在應(yīng)對現(xiàn)實世界挑戰(zhàn)時的變革潛力。通過精心遵循每個步驟，從數(shù)據(jù)準(zhǔn)備和可視化到模型構(gòu)建，培訓(xùn)和評估，我們創(chuàng)建了一個可靠的框架來檢測圖像中的火災(zāi)。該項目不僅強(qiáng)調(diào)了技術(shù)復(fù)雜性涉及深度學(xué)習(xí)，而且還強(qiáng)調(diào)了利用技術(shù)對安全和災(zāi)難預(yù)防的重要性。

正如我們得出的那樣，很明顯，DL模型可以顯著增強(qiáng)火災(zāi)檢測系統(tǒng)，從而使其更高效，可靠和可擴(kuò)展。盡管傳統(tǒng)方法具有其優(yōu)點(diǎn)，但深度學(xué)習(xí)的融合卻引入了新的精致和準(zhǔn)確性。開發(fā)“火焰監(jiān)護(hù)人”的旅程既具有啟發(fā)性和有意義，展現(xiàn)了現(xiàn)代技術(shù)的巨大能力。