新闻中心
51CTO粉丝群期待小伙伴们的加入交通信
近我参加了Nexar组织的交通信号灯识别挑战赛，花费了十个星期认真的学习了深度学习，终幸运的获得了名，收获了5000美元的奖金。
在这篇文章中，我会把我的解决方案描述一下，分享代码，当然还有一些并不完善的地方，未来我会继续改进。
即使你不是人工智能专家也无需担心读不懂这篇文章，因为文章重点放在创作理念和实践方法上，而不是具体的技术实施。
挑战赛的目标是识别出司机们使用Nexar应用所拍摄出的图像中的交通信号灯。也就是说在任意一张给定的图像中，识别器需要判断出是否有红绿灯并且输出红灯或是绿灯。当然，它应该只识别行驶方向的信号灯。
要解决这个挑战，合适的解决方案是基于卷积神经网络，这是目前流行的方法，应用深度神经网络来识别图像。终提交的识别模型大小也是评判的依据，模型文件越小，得分越高。此外，获胜所需的精度要达到95%。
Nexar提供了18659幅标记图像作为训练数据。每幅图像都标有上面三个类别中的一个（没有红绿灯/红灯/绿灯）。
我选择了Caffe来训练模型，主要原因是我对Caffe比较熟悉，而且它提供了大量的预训练模型。
我购买了Amazon的GPU实例（g2.2xlarge）用来训练模型。到挑战赛结束后，AWS账单收了我263美元！这可真不便宜……
终，我的识别模型实现了对测试集合94.955%的度，模型大小为7.84 MB。相比较，GoogLeNet的模型占用了41 MB，VGG-16模型竟然要用到528 MB。
需要感谢Nexar，他们仁慈的允许了我的94.955%达到95%的精度要求。
总的来说，提高模型度的过程就是进行大量有逻辑和无逻辑的试验，以及反复纠错，下面是具体过程。
开始搭建模型时，我选择了ImageNet的预训练模型，用GoogLeNet搭建架构对它进行微调，很快这就帮我达到了90%的准确性！良好的开端！
SqueezeNet达到了AlexNet同级的度，参数却减少了50多个，而且模型尺寸只有不到0.5MB。此外，它与ImageNet的预训练模型和Caffe的Zoo模型配合良好，这完美的切合了我的需求。SqueezeNet在github上的地址如下：
搭配好之后，导入Nexar的图片集合，经过一些简单的训练和调整，预训练模型的精度几乎从一开始就提升到了92%！效果非常赞！
Nexar提供的绝大部分图像都是水平的，但有大约2.4%是垂直的，而且没有上下左右的标识，如下图：
虽然这只是数据集的很小一部分，但想要达到95%的精度，这个问题是必须考虑的。
Nexar提供的JPEG图像没有EXIF数据，所以我想到将图片随机旋转0度、90度、180度和270度并且导入训练模型，用来确定天空的位置，确实获得了精度提高：92%→92.6%
首先，我把数据分成3组：训练（64%）、验证（16%）和测试（20%）。几天之后，我把训练组和验证组合并，使用测试组来检查训练结果。
并且在模型中加入了“图像旋转”和“低发生率额外训练”，获得了不小的精度提升：92.6%→93.5%
当分析模型识别的错误时，我注意到有些在模型中信任级别非常高的训练数据反而容易出错。
注意，在上面这张错误统计图中，右边的栏达到了95%的信任度，这表示有大量的错误出自信任度超过95%的图像数据，这就很尴尬了。
为了解决这个问题，我不得不手动标注了709个图像，这花费了我一个小时的体力劳动，而且编写了一个Python脚本来帮助工作。当然花费的时间是值得的。
将几个模型结合在一起，给予相应的权重并加权计算它们的分析结果也会提高终的度。
基于ImageNet的SqueezeNet预训练模型，根据手动修正后的图像集合进行训练。
在测试时，每张图像会形成10个变体，平均计算出终的预测结果。这10个变体为：
2号模型与1号模型非常相似，加上了图像旋转。在训练时间，图像会随机旋转90度、180度、270度或0度（不旋转）。在测试时，每一种情况都与模型1中创建变体做相同的分析。这样2号模型会分析40个变体，并将结果平均在一起。
3号模型不是基于SqueezeNet的微调，而是从零开始训练。背后的逻辑是即使准确率较低，但它会产生与上两个模型不同的特征，在三个模型合并之后，这会非常有用。
每个模型都会输出三个值，表示图像属于三大类中每一类的概率（没有红绿灯/红灯/绿灯）。我根据以下的权重平均计算它们的输出值：
权重的值大家可以自己定义，我是基于以前做网格搜索时获得的经验，这是一个非常简单的操作。
模型判断为红灯而不是绿灯，现场同时有多个交通信号灯的情况确实比较棘手，我正在进一步完善模型。
这是我次运用深度学习来解决实际问题！很高兴看到这个模型确实取得了效果，也很幸运能够获奖，从开发过程中我学到了很多，写下这篇文章，希望能帮助初涉深度学习领域的开发者们在碰到一些技术挑战上少花些时间。
51CTO粉丝群期待小伙伴们的加入！四大阵营：IT资讯、IT技术干货、IT无忧、黑科技；小伙伴们可找熊小妹（微信号：maomao-fjc）按兴趣加入各微信群，共同讨论分享IT内容，当然少不了N波红包雨和惊喜大奖的助兴哦返回搜狐，查看更多
以上信息由扬州市旭瑞照明器材有限公司整理编辑，了解更多交通信号灯,红绿灯,标志牌信息请访问http://www.yzxrjt.com
