文章
文章用户商铺文档快讯圈子网址导航

记微软OpenHack机器学习挑战赛

释放双眼，带上耳机，听听看~！

　　有幸参加了微软OpenHack挑战赛，虽然题目难度不大，但是很有意思，学到了很多东西，还有幸认识了微软梁健老师，谢谢您的帮助！同时还认识同行的很多朋友，非常高兴，把这段难忘的比赛记录一下~~也分享一下代码，给那些没有参加的朋友，

数据集(文末链接)

首先每支队伍会收到一个数据集，它是一个登山公司提供的装备图片，有登山镐，鞋子，登山扣，不知道叫什么的雪地爪？手套，冲锋衣，安全带。。。一共12个类别，每个类别几百个样本，我们的任务就是对这些图片分类和识别

简单看一下：

记微软OpenHack机器学习挑战赛

赛题：

赛题共有6道，简单描述一下：

1、搭建环境(略过)

2、图像正规化(包括颜色和大小)

3、通过机器学习方法对图像分类，precision>0.8

4、通过深度学习方法对图像分类，precision>0.9

5、部署(略过)

6、目标检测(用全新的数据集，检测雪地中的登山者是否带头盔！！航拍图像，有点难度~)

 

_______________________________________

下面是每道题目的详细描述和代码


题目2

完成以下任务:

选择一种基本颜色，例如白色并填充所有图片尺寸不是1:1比例的图像
不通过直接拉伸的方式，重塑至128x128x3像素的阵列形状
确保每个图像的像素范围从0到255(包含或[0,255])，也称为“对比度拉伸”(contrast stretching).

标准化或均衡以确保像素在[0,255]范围内.

成功完成的标准
团队将在Jupyter Notebook中运行一个代码单元，绘制原始图像，然后绘制填充后的像素值归一化或均衡图像, 展示给教练看.
团队将在Jupyter notebook 为教练运行一个代码单元，显示的像素值的直方图应该在0到255的范围内（包括0和255）.

记微软OpenHack机器学习挑战赛
记微软OpenHack机器学习挑战赛 

def normalize(src):
    arr = array(src)
    arr = arr.astype(\'float\')
    # Do not touch the alpha channel
    for i in range(3):
        minval = arr[...,i].min()
        maxval = arr[...,i].max()
        if minval != maxval:
            arr[...,i] -= minval
            arr[...,i] *= (255.0/(maxval-minval))
    arr = arr.astype(uint8)
    return Image.fromarray(arr,\'RGB\')

import matplotlib.pyplot as plt
from PIL import ImageColor 
from matplotlib.pyplot import imshow
from PIL import Image
from pylab import *
import copy

plt.figure(figsize=(10,10)) #设置窗口大小

# src = Image.open(\"100974.jpeg\")
src = Image.open(\"rose.jpg\")

src_array = array(src)
plt.subplot(2,2,1), plt.title(\'src\')
plt.imshow(src), plt.axis(\'off\')


ar=src_array[:,:,0].flatten()
ag=src_array[:,:,1].flatten()
ab=src_array[:,:,2].flatten()
plt.subplot(2,2,2),  plt.title(\'src hist\')
plt.axis([0,255,0,0.03])
plt.hist(ar, bins=256, normed=1,facecolor=\'red\',edgecolor=\'r\',hold=1) #原始图像直方图
plt.hist(ag, bins=256, normed=1,facecolor=\'g\',edgecolor=\'g\',hold=1) #原始图像直方图
plt.hist(ab, bins=256, normed=1,facecolor=\'b\',edgecolor=\'b\') #原g始图像直方图


dst = normalize(src)
dst_array = array(dst)

plt.subplot(2,2,3), plt.title(\'dst\')
plt.imshow(dst), plt.axis(\'off\')

ar=dst_array[:,:,0].flatten()
ag=dst_array[:,:,1].flatten()
ab=dst_array[:,:,2].flatten()
plt.subplot(2,2,4),  plt.title(\'dst hist\')
plt.axis([0,255,0,0.03])
plt.hist(ar, bins=256, normed=1,facecolor=\'red\',edgecolor=\'r\',hold=1) #原始图像直方图
plt.hist(ag, bins=256, normed=1,facecolor=\'g\',edgecolor=\'g\',hold=1) #原始图像直方图
plt.hist(ab, bins=256, normed=1,facecolor=\'b\',edgecolor=\'b\') #原g始图像直方图

View Code

记微软OpenHack机器学习挑战赛

 

题目3

使用一个非参数化分类方法(参考 参考文档)来创建一个模型，预测新的户外装备图像的分类情况，训练来自挑战2的预处理过的128x128x3的装备图像。所使用的算法可以从scikit-learn库中挑选现有的非参数化算法来做分类。向教练展示所提供的测试数据集的精确度，并且精确度分数需要超过80%。

记微软OpenHack机器学习挑战赛
记微软OpenHack机器学习挑战赛 

dir_data =\"data/preprocess_images/\"

equipments = [\'axes\', \'boots\', \'carabiners\', \'crampons\', \'gloves\', \'hardshell_jackets\', \'harnesses\', \'helmets\',
              \'insulated_jackets\', \'pulleys\', \'rope\', \'tents\']
train_data = [] 
y = [] 

import os
from PIL import Image
for equip_name in equipments:
    dir_equip = dir_data + equip_name
    
    for filename in os.listdir(dir_equip):             
        if(filename.find(\'jpeg\')!=-1):
            name = dir_equip + \'/\' + filename
            img = Image.open(name).convert(\'L\')
            train_data.append(list(img.getdata()))
            y.append(equip_name)

View Code
记微软OpenHack机器学习挑战赛
记微软OpenHack机器学习挑战赛 

from sklearn import svm
from sklearn.cross_validation import train_test_split  

train_X,test_X, train_y, test_y = train_test_split(train_data, y, test_size = 0.3, random_state = 0)

from sklearn import neighbors 
from sklearn.metrics import precision_recall_fscore_support as score
from sklearn.metrics import precision_score,recall_score

clf_knn = neighbors.KNeighborsClassifier(algorithm=\'kd_tree\')  
clf_knn.fit(train_X, train_y)
y_pred = clf_knn.predict(test_X)

View Code
记微软OpenHack机器学习挑战赛
记微软OpenHack机器学习挑战赛 

print(__doc__)

import itertools
import numpy as np
import matplotlib.pyplot as plt

from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix

def plot_confusion_matrix(cm, classes,
                          
                          normalize=False,
                          title=\'Confusion matrix\',
                          cmap=plt.cm.Blues):
    \"\"\"
    This function prints and plots the confusion matrix.
    Normalization can be applied by setting `normalize=True`.
    \"\"\"
    if normalize:
        cm = cm.astype(\'float\') / cm.sum(axis=1)[:, np.newaxis]
        print(\"Normalized confusion matrix\")
    else:
        print(\'Confusion matrix, without normalization\')

    print(cm)

    plt.imshow(cm, interpolation=\'nearest\', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    fmt = \'.2f\' if normalize else \'d\'
    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment=\"center\",
                 color=\"white\" if cm[i, j] > thresh else \"black\")

    plt.tight_layout()
    plt.ylabel(\'True label\')
    plt.xlabel(\'Predicted label\')

# Compute confusion matrix
# cnf_matrix = confusion_matrix(y_test, y_pred)
np.set_printoptions(precision=2)
confusion_mat = confusion_matrix(test_y, y_pred, labels = equipments)

# Plot non-normalized confusion matrix
plt.figure(figsize=(10,10))
plot_confusion_matrix(confusion_mat, classes=equipments,
                      title=\'Confusion matrix, without normalization\')

# Plot normalized confusion matrix
plt.figure(figsize=(10,10))

plot_confusion_matrix(confusion_mat, classes=equipments, normalize=True,
                      title=\'Normalized confusion matrix\')

plt.show()

View Code

　　因为要求精确度>0.8，sklearn中的很多算法应该都能满足，我选择了准确度比较高的KNN来建模，应该足够用了

记微软OpenHack机器学习挑战赛

 算一下presion和recall，轻松超越0.8

记微软OpenHack机器学习挑战赛

 

题目4

挑战完成标准，使用深度学习模型，如CNN分析复杂数据
团队将在Jupyter Notebook上为教练运行一个代码单元，展示模型的准确度为90％或更高

准确度如果要>0.9，sklearn中的机器学习算法就很难达到了，关键时刻只能上CNN

记微软OpenHack机器学习挑战赛
记微软OpenHack机器学习挑战赛 

import matplotlib.pyplot as plt
from PIL import ImageColor 
from matplotlib.pyplot import imshow
from PIL import Image
from pylab import *
dir_data =\"data/preprocess_images/\"

equipments = [\'axes\', \'boots\', \'carabiners\', \'crampons\', \'gloves\', \'hardshell_jackets\', \'harnesses\', \'helmets\',
              \'insulated_jackets\', \'pulleys\', \'rope\', \'tents\']
train_data = [] 
y = [] 

import os
from PIL import Image
i=0
for equip_name in equipments:
    dir_equip = dir_data + equip_name
    for filename in os.listdir(dir_equip):             
        if(filename.find(\'jpeg\')!=-1):
            name = dir_equip + \'/\' + filename
            img = Image.open(name).convert(\'L\')
            train_data.append(array(img).tolist())
            y.append(i)
    i += 1
train_data = np.asarray(train_data)

View Code
记微软OpenHack机器学习挑战赛
记微软OpenHack机器学习挑战赛 

from sklearn import svm
from sklearn.cross_validation import train_test_split  
import numpy as np
import keras
num_classes=12
img_rows=128
img_cols=128
train_X, test_X, train_y, test_y = train_test_split(train_data, y, test_size = 0.3, random_state = 0)

train_X = train_X.reshape(train_X.shape[0], img_rows, img_cols, 1)
test_X = test_X.reshape(test_X.shape[0], img_rows, img_cols, 1)
    
train_X = train_X.astype(\'float32\')
test_X = test_X.astype(\'float32\')
train_X /= 255
test_X /= 255
print(\'x_train shape:\', train_X.shape)
print(train_X.shape[0], \'train samples\')
print(test_X.shape[0], \'test samples\')

# convert class vectors to binary class matrices
train_y = keras.utils.to_categorical(train_y, num_classes)
test_y = keras.utils.to_categorical(test_y, num_classes)

View Code
记微软OpenHack机器学习挑战赛
记微软OpenHack机器学习挑战赛 

from keras.layers import Dense, Activation, Convolution2D, MaxPooling2D, Flatten
from keras.models import Sequential
from keras.layers import Convolution2D,MaxPooling2D, Conv2D
import keras

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation=\'relu\',
                 input_shape=(128, 128, 1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation=\'relu\'))
model.add(MaxPooling2D(pool_size=(2, 2)))
# model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation=\'relu\'))
# model.add(Dropout(0.5))
model.add(Dense(12, activation=\'softmax\'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=[\'accuracy\'])

model.fit(train_X, train_y,
          batch_size=128,
          epochs=50,
          verbose=1,
          validation_data=(test_X, test_y))
score = model.evaluate(test_X, test_y, verbose=0)
print(\'Test loss:\', score[0])
print(\'Test accuracy:\', score[1])

View Code

CNN的混淆矩阵比KNN的好了不少

记微软OpenHack机器学习挑战赛

 训练了好多次，不断调整各个卷积层和参数，终于达到了一个比较好的效果~~

记微软OpenHack机器学习挑战赛

 

题目6

使用深度学习框架，基于一个常用的模型，比如Faster R-CNN，训练一个目标检测的模型。这个模型需要能够检测并且使用方框框出图片中出现的每一个头盔。

这道题目首先要自己标注样本，几百张图像标注完累的半死。。。这里我们使用VOTT来标注，它会自动生成一个样本描述文件，很方便。Faster R-CNN的程序我们参考了git上的一个红细胞检测的项目，https://github.com/THULiusj/CosmicadDetection-Keras-Tensorflow-FasterRCNN，代码非常多就不贴了

最后来一张效果图

记微软OpenHack机器学习挑战赛

本文数据集和VOTT工具 链接：

https://pan.baidu.com/s/1FFw0PLJrrOhwR6J1HexPJA   

提取码 s242

给TA打赏
共{{data.count}}人
人已打赏
随笔日记

总结：收集一些可以切换IP的VPS商家（或者动态IP的VPS）

2020-11-9 4:56:05

随笔日记

hibernate详解一

2020-11-9 4:56:07

0 条回复 A文章作者 M管理员
    暂无讨论，说说你的看法吧
❯

解锁会员权限

开通会员

解锁海量优质VIP资源

立刻开通
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索

  • 扫码打开当前页

  • 官方微信客服

返回顶部