当前位置：首页 > news >正文

MATLAB基于ResNet18的交通标志识别系统

news 来源：原创 2025/5/24 12:41:19

1. 数据准备

数据集：该数据集包含了大量标注好的交通标志图片，每类标志都有不同的样本。
数据预处理：图像需要进行一些基本的预处理，如调整大小、归一化等，以适应ResNet18的输入要求。

2. 网络设计

使用MATLAB自带的深度学习工具箱，可以直接加载ResNet18模型。ResNet18是一个包含18层的卷积神经网络，适用于图像分类任务。
可以加载预训练的ResNet18模型，并根据交通标志数据集进行微调（fine-tuning）。微调过程中，将预训练的ResNet18模型的前几层保持不变，只修改最后的全连接层，以适应交通标志分类。

3. 训练过程

划分数据集：将数据集分为训练集、验证集和测试集，通常按照80%：10%：10%的比例进行划分。
定义训练选项：设置学习率、批量大小、训练轮次等参数。MATLAB的trainingOptions函数可以用于设置这些超参数。
训练模型：使用trainNetwork函数对模型进行训练，调整学习率等超参数，确保模型能够收敛。



clc
clear 
close all
% 读取数据
load('images.mat')
rng(1)
% 选取部分数据可视化 前20个
figure
for i=1:1:20
    subplot(4,5,i);
    imshow(images(:,:,:,(i-1)*64+7))
end


[M,N] = size(images(:,:,1));%图像大小
Y = categorical(labels');                       % 标签的数据类型为categorical
X = images;
idx = randperm(size(images,4));   % 产生一个和数据个数一致的随机数序列
num_train = round(0.8*length(X)); % 训练集个数，0.8表示全部数据中随机选取50%作为训练集

 
% 训练集和测试集数据
X_train = X(:,:,:,idx(1:num_train));
X_test = X(:,:,:,idx(num_train+1:end));  %这里假设，全部数据中除了
 
% 训练集和测试集标签
Y_train = Y(idx(1:num_train),:);
Y_test = Y(idx(num_train+1:end),:);
unique(labels)

%% 定义网络层
%训练网络
layers = resnet18Layers();
figure
plot(layers)
% options = trainingOptions("sgdm", ...
%     InitialLearnRate=0.001, ...
%     LearnRateSchedule="piecewise", ...
%     L2Regularization=1.0000e-04, ...
%     MaxEpochs=20, ...
%     MiniBatchSize=16, ...
%     ValidationFrequency=20, ...
%     Plots="training-progress", ...
%     Metrics="accuracy");
options = trainingOptions('sgdm', ...      % Adam 梯度下降算法
    'MaxEpochs',20, ...                  % 最大迭代次数 500
    'MiniBatchSize',50, ...              % 批量大小 512
    'InitialLearnRate', 5e-4, ...          % 初始学习率为 0.0005
    'LearnRateSchedule', 'piecewise', ...  % 学习率下降
    'LearnRateDropFactor', 0.1, ...        % 学习率下降因子 0.1
    'LearnRateDropPeriod', 400, ...        % 经过 400 次训练后 学习率为 0.001 * 0.1
    'L2Regularization', 0.0001, ...
    'Shuffle', 'every-epoch', ...          % 打乱数据集
    'Plots', 'training-progress', ...      % 画出曲线
    'Verbose', false);
net_cnn = trainNetwork(X_train,Y_train,layers,options);


% 测试
testLabel = classify(net_cnn,X_test);
precision = sum(testLabel==Y_test)/numel(testLabel);
disp(['测试集分类准确率为',num2str(precision*100),'%'])

save resnet18_checkpoints.mat net_cnn


%%　
%% 混淆矩阵

fig = figure;
cm = confusionchart(Y_test,testLabel,'RowSummary','row-normalized','ColumnSummary','column-normalized');

fig_Position = fig.Position;
fig_Position(3) = fig_Position(3)*1.5;
fig.Position = fig_Position;