基于深度学习的交通标志识别系统

基于深度学习的交通标志识别系统

项目简介

本项目实现了一个基于深度学习的交通标志识别系统，使用卷积神经网络(CNN)对交通标志图像进行分类识别。系统包含数据预处理、模型训练与评估、结果可视化和用户交互界面等模块。

数据集

项目使用德国交通标志识别基准数据集(GTSRB)，包含43类不同的交通标志，超过50,000张彩色图像。数据集具有以下特点：

• 真实道路场景中拍摄的交通标志
• 不同光照、天气和遮挡条件
• 每类标志大小和数量不一

系统架构

1. 数据预处理模块：数据加载、图像处理、数据增强、归一化
2. 模型构建模块：设计并实现卷积神经网络架构
3. 模型训练与评估模块：训练模型并评估性能
4. 可视化模块：展示训练过程和识别结果
5. 用户界面模块：提供图像上传和识别功能

技术栈

• Python：编程语言（需要Python 3.11或更低版本，不支持Python 3.13）
• TensorFlow/Keras：深度学习框架
• OpenCV：图像处理
• NumPy/Pandas：数据处理
• Matplotlib：数据可视化
• Streamlit：用户界面

环境要求

• Python 3.11（或更低版本，不支持Python 3.13）
• TensorFlow 2.x（在macOS上使用tensorflow-macos）

使用说明

1. 创建虚拟环境：python3.11 -m venv venv_py311
2. 激活虚拟环境：
   • Windows: venv_py311\Scripts\activate
   • macOS/Linux: source venv_py311/bin/activate
3. 安装依赖：pip install -r requirements.txt
4. 下载数据集：运行python src/download_dataset.py
5. 训练模型：运行python src/train_model.py
6. 启动用户界面：运行streamlit run src/app.py

目录结构

traffic_sign_recognition/
├── data/                  # 数据集和预处理数据
├── models/                # 保存训练好的模型
├── src/                   # 源代码
│   ├── data_preprocessing.py  # 数据预处理模块
│   ├── model.py               # 模型定义
│   ├── train_model.py         # 训练脚本
│   ├── evaluate.py            # 评估脚本
│   ├── app.py                 # 用户界面
│   └── utils.py               # 工具函数
├── notebooks/             # Jupyter notebooks用于实验和分析
├── requirements.txt       # 项目依赖
└── README.md              # 项目说明

开发日志

2025-05-06 系统初始设计与实现

会话主要目的：创建基于深度学习的交通标志识别系统

完成的主要任务：

1. 搭建完整的项目结构，包括数据处理、模型训练、评估和用户界面
2. 实现数据下载和预处理模块，支持GTSRB数据集的加载和处理
3. 设计并实现多种CNN模型架构，包括简单CNN、自定义CNN和基于MobileNetV2的迁移学习模型
4. 创建模型训练流程，支持数据增强、类别权重调整等功能
5. 开发全面的模型评估工具，包括混淆矩阵、ROC曲线、分类报告等
6. 实现基于Streamlit的交互式用户界面，支持图像上传和实时识别
7. 添加可视化工具，用于展示模型内部工作原理

关键决策和解决方案：

• 选择GTSRB作为数据集，因其包含多种交通标志类别和真实场景变化
• 使用图像预处理技术如直方图均衡化、归一化等提高识别准确率
• 实现多种模型架构对比，方便分析性能差异
• 采用数据增强技术解决类别不平衡和数据量不足问题
• 使用Streamlit构建直观易用的用户界面，支持多种方式输入图像

使用的技术栈：

• Python、TensorFlow、Keras、OpenCV
• NumPy、Pandas、Matplotlib、Seaborn
• Streamlit、PIL（Python图像库）

修改的文件：

• 创建了完整的项目结构和各主要模块文件
• requirements.txt: 定义项目依赖
• src/download_dataset.py: 数据集下载和探索
• src/data_preprocessing.py: 数据预处理和增强
• src/model.py: CNN模型定义和工具函数
• src/train_model.py: 模型训练流程
• src/evaluate.py: 模型评估和比较
• src/app.py: Streamlit用户界面
• src/utils.py: 工具函数集合
• README.md: 项目说明文档

2025-05-06 解决Python版本兼容性问题

主要目的：解决Python 3.13与TensorFlow不兼容的问题

完成的主要任务：

1. 使用Python 3.11创建新的虚拟环境，代替不兼容的Python 3.13环境
2. 在新环境中安装tensorflow-macos和其他依赖包
3. 更新requirements.txt文件，添加版本兼容性信息
4. 更新README文件，添加Python版本兼容性提示和环境配置说明

关键决策和解决方案：

• 切换到Python 3.11.11版本，以确保与TensorFlow兼容
• 使用tensorflow-macos替代标准tensorflow，以支持macOS环境
• 固定numpy版本为1.23.5以避免版本冲突
• 为用户提供明确的Python版本要求和虚拟环境配置说明

使用的技术栈：

• Python 3.11
• tensorflow-macos 2.12.0
• 虚拟环境(venv)
• 其他依赖包的兼容版本

修改的文件：

• requirements.txt: 更新依赖包版本要求
• README.md: 添加Python版本要求和环境配置说明

2025-05-07 解决Python版本兼容性问题并测试系统功能

会话主要目的：解决Python 3.13与TensorFlow不兼容的问题并完成系统功能测试

完成的主要任务：

1. 使用Python 3.11创建新的虚拟环境，替代不兼容的Python 3.13环境
2. 安装tensorflow-macos 2.12.0和所有依赖包（numpy、matplotlib、opencv-python等）
3. 修复数据预处理脚本中的路径问题，适配数据集的实际目录结构
4. 成功运行数据预处理流程，生成处理后的训练、验证和测试数据集
5. 启动模型训练过程
6. 运行Streamlit用户界面进行系统功能验证

关键决策和解决方案：

• 使用Python 3.11.11版本创建虚拟环境，确保与TensorFlow兼容
• 安装tensorflow-macos以支持macOS环境下的深度学习任务
• 修改数据路径处理逻辑，适应GTSRB数据集的"00000"格式文件夹命名
• 安装额外依赖包pydot以支持模型可视化功能
• 测试验证了完整的数据处理、模型训练和用户界面流程

使用的技术栈：

• Python 3.11
• tensorflow-macos 2.12.0
• NumPy 1.23.5
• OpenCV-Python
• scikit-learn
• Matplotlib
• Streamlit
• tqdm

修改的文件：

• requirements.txt: 更新依赖要求，添加tqdm库
• src/data_preprocessing.py: 修改数据路径处理逻辑，适应实际数据集结构
• README.md: 添加项目进度更新