Compare commits
No commits in common. "master" and "adamBTest" have entirely different histories.
@ -13,9 +13,9 @@
|
||||
- w projekcie wykorzystane zostały drzewa decyzyjne jako metoda uczenia
|
||||
- projekt podzielony jest na 4 pliki
|
||||
- plik tworzenie_danych_AO.py jest odpowiedzialny za wydobycie z każdego zdjęcia własności i zapis ich do pliku
|
||||
|
||||
|
||||
- w pliku uczenie_adamO.py znajdują się funkcje odpowiedzialne za uczenie i testowanie modelu
|
||||
|
||||
|
||||
- plik parametry_zdjec.h5 zawiera własności wszystkich zdjęć wykorzystanych w projekcie
|
||||
- plik etykiety.h5 zawiera odpowiedni typ każdego ze zdjęć (glass,paper,plastic,metal)
|
||||
|
||||
@ -31,31 +31,31 @@ histogram = wyznaczHistogram(zdj)
|
||||
```
|
||||
- wybrane własności to:
|
||||
1. Histogram kolorów okreslający rozkład jasności pixeli w każdej komórce na zdjęciu w skali szarości
|
||||
|
||||
|
||||
zdjęcie jest przekształcane do przestrzeni barw hsv
|
||||
po czym wyliczany jest histogram podając do funkcji zdjęcie, kanały (hsv), maskę, podział zdjęcia na 512 przedziałów (8x8x8), zakres każdego kanału
|
||||
2. Momenty obrazu (Hu Moments) określające kształt obiektu na zdjęciu
|
||||
|
||||
|
||||
są średnią ważoną intensywności pikseli obrazu.
|
||||
Są liczone ze wzoru:
|
||||
|
||||
|
||||
gdzie I(x,y) to intensywność pixela w danym punkcie
|
||||
*Momenty surowe* - informują o intensywności pikseli i ich położeniu na obrazie
|
||||
*Momenty centralne* - otrzymujemy po odjęciu od momentów surowych środka ciężkości danego kształtu
|
||||
|
||||
|
||||
momenty te są niezmienne w wyliczaniu to znaczy że jeśli kształt jest ten sam to nie ważne jest jego położenie na zdjęciu
|
||||
*Momenty Hu* - to zbiór 7 liczb obliczonych na podstawie momentów centralnych.
|
||||
Pierwsze 6 momentów są niezmienne dla translacji, skali i rotacji.
|
||||
Podczas gdy znak siódmej liczby zmienia się wraz z odbiciem kształu (względem osi).
|
||||
|
||||
|
||||
|
||||
3. Tekstura Haralicka określająca nasycenie ilości pixeli w skali szarości
|
||||
|
||||
|
||||
"Haralick zasugerował zastosowanie macierzy współwystępowania poziomu szarości (GLCM).
|
||||
Ta metoda opiera się na połączonych rozkładach prawdopodobieństwa par pikseli.
|
||||
GLCM pokazuje, jak często każdy poziom szarości występuje w pikselach umieszczonych w ustalonym położeniu
|
||||
geometrycznym względem siebie, w zależności od poziomu szarości."
|
||||
|
||||
|
||||
|
||||
- własności sa zapisywane jako macierze, ustawiane w szereg jako wiersz i zapisywane do pliku z danymi .h5
|
||||
```
|
||||
@ -78,7 +78,7 @@ estymator domyślnie korzysta ze strategii opierającej się o indeks Giniego
|
||||
'indeks Giniego jest to miara która określa jak często losowo wybrany element zostanie błędnie zidentyfikowany'
|
||||
```
|
||||
indeks jest obliczany ze wzoru:
|
||||
|
||||
|
||||
[przykład](https://www.geeksforgeeks.org/decision-tree-introduction-example/)
|
||||
- estymator rozpoczyna uczenie korzystając ze zbiorów treningowych
|
||||
```
|
||||
@ -103,11 +103,11 @@ rfc = adamO.rozpocznijUczenie()
|
||||
```
|
||||
rodzaj = adamO.przewidz(smiec, rfc)
|
||||
```
|
||||
|
||||
|
||||
- Zdjęcia posegregowanych śmieci umieszczane są w odpowiednich folderach:
|
||||
|
||||
|
||||
- Na koniec wyświetlane są losowo wybrane zdjęcia śmieci z kontenerów wraz z informacją o typie ustalonym przez estymator
|
||||
|
||||
|
||||
1. górny napis to typ zwrócony przez estymator
|
||||
2. drugi napis to wartości prawpopodobieństwa z jakim estymator ocenił typ
|
||||
3. trzeci napis to nazwa zdjęcia
|
||||
@ -8,13 +8,13 @@
|
||||
|
||||
## 1. Ogólne działanie:
|
||||
|
||||
|
||||
|
||||
|
||||
---
|
||||
|
||||
## 2. Struktura katalogów:
|
||||
|
||||
|
||||
|
||||
|
||||
**Resources**:
|
||||
|
||||
@ -24,18 +24,18 @@
|
||||
|
||||
**Pliki**:
|
||||
|
||||
**[game.py](../../src/game.py)** - plik zawierający całą funkcjonalność projektu:
|
||||
**[game.py](game.py)** - plik zawierający całą funkcjonalność projektu:
|
||||
|
||||
- główna pętla programu,
|
||||
- tworzenie planszy,
|
||||
- tworzenie i usytuowanie obiektów z katalogu [modeli](../../src/modele.py),
|
||||
- tworzenie i usytuowanie obiektów z katalogu [modeli](modele.py),
|
||||
- generowanie tekstowej interpretacji zebranej wiedzy
|
||||
|
||||
**[main.py](../../src/main.py)** - klasa odpowiedzialna za uruchomienie programu
|
||||
**[main.py](main.py)** - klasa odpowiedzialna za uruchomienie programu
|
||||
|
||||
**[modele.py](../../src/modele.py)** - zawiera klasy aplikacji
|
||||
**[modele.py](modele.py)** - zawiera klasy aplikacji
|
||||
|
||||
**[requirements.txt](../../requirements.txt)** - posiada biblioteki niezbędne do uruchomienia programu, które instalujemy za pomocą poniższego polecenia:
|
||||
**[requirements.txt](requirements.txt)** - posiada biblioteki niezbędne do uruchomienia programu, które instalujemy za pomocą poniższego polecenia:
|
||||
|
||||
```
|
||||
pip install -r requirements.txt
|
||||
@ -46,23 +46,23 @@ pip install -r requirements.txt
|
||||
## 3. Opis funkcjonalności programu:
|
||||
|
||||
* śmieciarka porusza się w losowy sposób po planszy 15 x 15 (koloruje na niebiesko przebytą trasę)
|
||||
|
||||
|
||||
* domy generowane są losowo na mapie z pominięciem kolizji z innymi obiektami
|
||||
|
||||
|
||||
* pozycja wysypiska, przeszkody (jeziorko) i kontenerów jest statyczna
|
||||
|
||||
|
||||
* w kontenerach przechowywane będą posegregowane, odpowiednio według kategorii, zdjęcia śmieci
|
||||
|
||||
* zdjęcia śmieci będą przydzielane w sposób losowy do każdego z domów na planszy
|
||||
|
||||
|
||||
* śmieciarka zbiera śmieci po najechaniu na pozycję danego domu
|
||||
|
||||
* po każdym uruchomieniu programu tworzona jest struktura katalogów dla posegregowanych śmieci
|
||||
|
||||
|
||||
* śmieciarka sprawdza w każdym ruchu czy nie dojdzie do kolizji z innym obiektem lub nie wyjedzie poza planszę
|
||||
|
||||
|
||||
* po prawej stronie wypisywane są aktualne, najważniejsze informacje
|
||||
|
||||
|
||||
* każdy obiekt na planszy posiada atrybuty odpowiedzalne za
|
||||
przechowywanie wiedzy o danym obiekcie np.: obiekt śmieciarka przechowuje informacje o odwiedzonych domach
|
||||
|
||||
|
||||
@ -11,9 +11,9 @@ from PIL import Image
|
||||
import os
|
||||
|
||||
|
||||
for filename in os.listdir('../resources/smieci/plastic'):
|
||||
for filename in os.listdir('./resources/smieci/plastic'):
|
||||
|
||||
img = Image.open('../resources/smieci/plastic/'+filename)
|
||||
img = Image.open('./resources/smieci/plastic/'+filename)
|
||||
pil_to_tensor = transforms.ToTensor()(img).unsqueeze_(0)
|
||||
if(str(pil_to_tensor.shape[1]) == '1'):
|
||||
print(filename)
|
||||
@ -3,6 +3,7 @@ import modele
|
||||
import numpy as np
|
||||
import random
|
||||
import os
|
||||
import shutil
|
||||
import astar
|
||||
import uczenie_kacper as kacper
|
||||
import uczenie_adamO as adamO
|
||||
@ -10,18 +11,18 @@ import uczenie_adamB as adamB
|
||||
|
||||
|
||||
smieci_path = ''
|
||||
smieci_w_kontenerach = "..\\resources\\smieci w kontenerach"
|
||||
smieci_w_kontenerach = "resources/smieci w kontenerach"
|
||||
|
||||
# PODAJ OSOBE PRZED URUCHOMIENIEM (kacper/adamB/adamO)
|
||||
osoba = 'kacper'
|
||||
osoba = 'adamB'
|
||||
rfc = None
|
||||
|
||||
if osoba == 'kacper':
|
||||
smieci_path = '..\\resources\\smieci'
|
||||
smieci_path = 'resources/smieci'
|
||||
elif osoba == 'adamB':
|
||||
smieci_path = '..\\resources\\smieci'
|
||||
smieci_path = 'resources/smieci'
|
||||
else:
|
||||
smieci_path = '..\\resources\\smieci_stare'
|
||||
smieci_path = 'resources/smieci_stare'
|
||||
rfc = adamO.rozpocznijUczenie()
|
||||
|
||||
pygame.init()
|
||||
@ -165,9 +166,9 @@ def rysowaniePlanszy(obiekty):
|
||||
HEIGHT])
|
||||
|
||||
obiekty["obraz"].blit(pygame.image.load(
|
||||
"../resources/plansza/wysypisko.jpg"), (5, 5))
|
||||
"resources/plansza/wysypisko.jpg"), (5, 5))
|
||||
obiekty["obraz"].blit(pygame.image.load(
|
||||
"../resources/plansza/jezioro.png"), (395, 655))
|
||||
"resources/plansza/jezioro.png"), (395, 655))
|
||||
obiekty["plansza"][6, 10].setJestPrzeszkoda(True)
|
||||
obiekty["plansza"][6, 11].setJestPrzeszkoda(True)
|
||||
obiekty["plansza"][7, 10].setJestPrzeszkoda(True)
|
||||
@ -207,41 +208,41 @@ def utworzObiekty():
|
||||
if not os.path.exists(smieci_w_kontenerach):
|
||||
os.makedirs(smieci_w_kontenerach)
|
||||
else:
|
||||
for dir in os.listdir(os.getcwd() + "\\" + smieci_w_kontenerach):
|
||||
files = os.listdir(os.getcwd() + "\\" +
|
||||
smieci_w_kontenerach + "\\" + dir)
|
||||
for dir in os.listdir(os.getcwd() + "/" + smieci_w_kontenerach):
|
||||
files = os.listdir(os.getcwd() + "/" +
|
||||
smieci_w_kontenerach + "/" + dir)
|
||||
for file in files:
|
||||
os.remove(os.getcwd() + "\\" +
|
||||
smieci_w_kontenerach + "\\" + dir + "\\" + file)
|
||||
os.remove(os.getcwd() + "/" +
|
||||
smieci_w_kontenerach + "/" + dir + "/" + file)
|
||||
|
||||
kontener_szklo = modele.Kontener(4, 4, "glass")
|
||||
kontener_szklo.setImage(pygame.image.load(
|
||||
"../resources/plansza/pojemnik_szklo.png"))
|
||||
"resources/plansza/pojemnik_szklo.png"))
|
||||
plansza[4, 4].setJestKontenerem(True)
|
||||
plansza[4, 4].setObiekt(kontener_szklo)
|
||||
|
||||
kontener_metal = modele.Kontener(0, 4, "metal")
|
||||
kontener_metal.setImage(pygame.image.load(
|
||||
"../resources/plansza/pojemnik_metal.png"))
|
||||
"resources/plansza/pojemnik_metal.png"))
|
||||
plansza[0, 4].setJestKontenerem(True)
|
||||
plansza[0, 4].setObiekt(kontener_metal)
|
||||
|
||||
kontener_papier = modele.Kontener(4, 0, "paper")
|
||||
kontener_papier.setImage(pygame.image.load(
|
||||
"../resources/plansza/pojemnik_papier.png"))
|
||||
"resources/plansza/pojemnik_papier.png"))
|
||||
plansza[4, 0].setJestKontenerem(True)
|
||||
plansza[4, 0].setObiekt(kontener_papier)
|
||||
|
||||
kontener_plastik = modele.Kontener(0, 0, "plastic")
|
||||
kontener_plastik.setImage(pygame.image.load(
|
||||
"../resources/plansza/pojemnik_plastik.png"))
|
||||
"resources/plansza/pojemnik_plastik.png"))
|
||||
plansza[0, 0].setJestKontenerem(True)
|
||||
plansza[0, 0].setObiekt(kontener_plastik)
|
||||
|
||||
# domy
|
||||
doms_array = ['../resources/plansza/domy/dom1.png', '../resources/plansza/domy/dom2.png',
|
||||
'../resources/plansza/domy/dom3.png', '../resources/plansza/domy/dom4.png',
|
||||
'../resources/plansza/domy/dom5.png']
|
||||
doms_array = ['resources/plansza/domy/dom1.png', 'resources/plansza/domy/dom2.png',
|
||||
'resources/plansza/domy/dom3.png', 'resources/plansza/domy/dom4.png',
|
||||
'resources/plansza/domy/dom5.png']
|
||||
|
||||
domy_lista = pygame.sprite.Group()
|
||||
|
||||
|
Before Width: | Height: | Size: 3.3 MiB After Width: | Height: | Size: 3.3 MiB |
@ -10,7 +10,7 @@
|
||||
|
||||
## 1. Model:
|
||||
|
||||
|
||||
|
||||
|
||||
- Powyższa funkcja tworzy sekwencyjny model sieci neuronowej
|
||||
- Składa się on z warstw
|
||||
@ -25,7 +25,7 @@
|
||||
|
||||
## 2. Uczenie modelu:
|
||||
|
||||
|
||||
|
||||
|
||||
- Model uczy się na 1599 zdjęciach śmieci podzielonych na 4 kategorie
|
||||
- Wszystkie zdjęcia mają rozmiar 299x299 pikseli
|
||||
@ -36,7 +36,7 @@
|
||||
|
||||
## 2. Przewidywanie:
|
||||
|
||||
|
||||
|
||||
|
||||
- Obrazki są zamieniane na macierze
|
||||
- Prediction zawiera rozkład prawdopodobieństwa obrazka na kategorie
|
||||
@ -46,7 +46,7 @@
|
||||
|
||||
## 2. Integracja w projekcie:
|
||||
|
||||
|
||||
|
||||
|
||||
- Podczas wizyty śmieciarki w domu wykonywana jest funkcja przewidzenia kategorii na każdym ze śmieci w danym domu
|
||||
- Zależnie od wyniku przewidywania śmieć jest umieszczany na odpowiedniej liście śmieci w śmieciarce
|
||||
@ -25,7 +25,7 @@ class Smieciarka(pygame.sprite.Sprite):
|
||||
def __init__(self, x, y):
|
||||
self.x = x
|
||||
self.y = y
|
||||
self.image = pygame.image.load('../resources/plansza/smieciarka.png')
|
||||
self.image = pygame.image.load('resources/plansza/smieciarka.png')
|
||||
self.obraz = None
|
||||
self.ruch = 1
|
||||
self.plastik = []
|
||||
@ -79,7 +79,7 @@ class Smieciarka(pygame.sprite.Sprite):
|
||||
self.zwiekszIloscOdwiedzonychDomow()
|
||||
if self.ruch == 2:
|
||||
self.image = pygame.image.load(
|
||||
'../resources/plansza/smieciarka.png')
|
||||
'resources/plansza/smieciarka.png')
|
||||
self.ruch = 1
|
||||
|
||||
self.plansza[self.x - 1, self.y].setKolor(BLUE)
|
||||
@ -10,7 +10,7 @@
|
||||
|
||||
## 1. Temat podprojektu:
|
||||
|
||||
Celem projektu było utworzenie klasyfikatora rodzajów danych wejściowych(śmieci) na podstawie zdjęć. Do tego celu wykorzystano bibliotekę [PyTorch](https://pytorch.org/docs/stable/index.html). Cały podprojekt opiera się na utworzeniu sieci neuronowej i przetworzeniu inputu przez kolejne jej warstwy.
|
||||
Celem projektu było utworzenie klasyfikatora rodzajów danych wejściowych(śmieci) na podstawie zdjęć. Do tego celu wykorzystano bibliotekę [PyTorch](https://pytorch.org/docs/stable/index.html). Cały podprojekt opiera się na utworzeniu sieci konwolucyjnej i przetworzeniu inputu przez kolejne jej warstwy.
|
||||
|
||||
## 2. Model sieci:
|
||||
|
||||
@ -35,11 +35,11 @@ class Net(nn.Module): # klasa Net dziedziczaca po klasie bazowej nn.Module
|
||||
return x
|
||||
```
|
||||
|
||||
- conv1, conv2 – warstwy konwolucyjna, rozmiar filtra 5×5, posiadające 3 kanały wejściowe (RGB) i kanały wyjściowe dla następnych warstw
|
||||
- conv1, conv2 – warstwy konwolucyjna, rozmiar filtra 3×3, posiadające 3 kanały wejściowe (RGB) i kanały wyjściowe dla następnych warstw
|
||||
- pool - operacja `max-poolingu` - wyciaganie najwazniejszej informacji z zadanego obszaru obrazu
|
||||
|
||||
|
||||
- fc1, fc2, fc3 - warstwy liniowe - `full connection layers` - w odróznieniu od warstw konwolucyjnych, każdy neuron dostaje input o neuronie z poprzedniej warstwy. W warstwie konwolucyjnej neurony wiedzą tylko o określonych neuronach z poprzedniego layera
|
||||
|
||||
|
||||
- metoda `forward` - metoda forward określa cały przepływ(flow) inputu przez warstwy aż do outputu. W pierwszej części tensor danej wejściowej(tensor zdjęcia) przepuszczany jest przez dwie warstwy konwolucyjne i wykonywana jest na nim wcześniej wspomniana operacja `max-poolingu`. W następnej części wypłaszczamy x, wszystkie wymiary przechowujace dane obrazu – 16 kanalow o rozmiarach 71×71 rozciągamy jako jeden długi wektor. Na koniec przepuszczamy tensor przez warstwy liniowe i zwracamy output.
|
||||
|
||||
## 3. Trening:
|
||||
@ -77,7 +77,7 @@ def train():
|
||||
```
|
||||
|
||||
- na początku zainicjowano sieć, pobrano zbiór uczący i znormalizowano jego wnętrze, aby każde zdjęcie było pod postacią Tensora(tego wymaga model sieci)
|
||||
- następnie zdefiniowano kryterium do wyznaczania jakości klasyfikacji zdjęć do klas i wyznaczono optymalizator
|
||||
- następnie zdefiniowano kryterium do wyznaczania jakości klasyfikacji zdjęć do klas i wyznaczono optymalizator(w tym przypadku SGD, moglby tez byc Adam)
|
||||
- potem wchodzimy do pętli i iterujemy po data secie, pobieramy inputy, czyścimy gradienty z poprzedniej iteracji, za pomocą algorytmu propagacji wstecznej liczymy pochodne z utraconej wartości, wyswietlamy w konsoli loss z danej iteracji,
|
||||
- następnie zapisujemy wytrenowany model
|
||||
|
||||
@ -100,7 +100,7 @@ def predict(img_path):
|
||||
- następnie przekazano tensor jako argument do instancji klasy sieci
|
||||
- w ostatnim kroku za pomocą funkcji `max` wyciągnięto największą wagę i na jej podstawie rozpoznano klasę
|
||||
|
||||
## 5. Integracja w projekcie:
|
||||
## 4. Integracja w projekcie:
|
||||
|
||||
```
|
||||
for dom in obiekty["domy"]:
|
||||
@ -34,7 +34,7 @@ pycodestyle==2.5.0
|
||||
pydotplus==2.0.2
|
||||
pygame==1.9.6
|
||||
pyparsing==2.4.7
|
||||
PyQt5==5.14.2
|
||||
PyQt5==5.9.2
|
||||
python-dateutil==2.8.1
|
||||
PyYAML==5.3.1
|
||||
requests==2.23.0
|
||||
@ -42,7 +42,7 @@ requests-oauthlib==1.3.0
|
||||
rsa==4.0
|
||||
scikit-learn==0.23.0
|
||||
scipy==1.4.1
|
||||
sip==5.3.0
|
||||
sip==4.19.8
|
||||
six==1.14.0
|
||||
tensorboard==2.2.1
|
||||
tensorboard-plugin-wit==1.6.0.post3
|
||||
|
||||
@ -1,50 +0,0 @@
|
||||
# Raport końcowy
|
||||
|
||||
**Temat projektu:** Inteligenta Śmieciarka
|
||||
|
||||
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
||||
|
||||
---
|
||||
|
||||
## Krótkie wyjaśnienie integracji podprojektów:
|
||||
|
||||
Celem projektu było utworzenie inteligentnej śmieciarki. Jej zadaniem było zbieranie śmieci ze wszystkich domów na planszy korzystając z algorytmu _A*_. Docelowo, wybierając jeden z trzech zaimplementowanych przez nas klasyfikatorów, śmieciarka segreguje odpady w kontenerach. Ich zdjęcia trafiają następnie do posortowanego folderu _smieci w kontenerach_.
|
||||
|
||||
```
|
||||
for dom in obiekty["domy"]:
|
||||
if dom.x == pozX and dom.y == pozY:
|
||||
while dom.smieci:
|
||||
smiec = dom.smieci.pop(0)
|
||||
rodzaj = ""
|
||||
if osoba == 'kacper':
|
||||
rodzaj = kacper.przewidz(smiec)
|
||||
elif osoba == 'adamB':
|
||||
rodzaj = adamB.predict(smiec)
|
||||
else:
|
||||
rodzaj = adamO.przewidz(smiec, rfc)
|
||||
|
||||
if rodzaj == "paper":
|
||||
obiekty["smieciarka"].dodajPapier(smiec)
|
||||
elif rodzaj == "glass":
|
||||
obiekty["smieciarka"].dodajSzklo(smiec)
|
||||
elif rodzaj == "metal":
|
||||
obiekty["smieciarka"].dodajMetal(smiec)
|
||||
elif rodzaj == "plastic":
|
||||
obiekty["smieciarka"].dodajPlastik(smiec)
|
||||
|
||||
```
|
||||
|
||||
Tworzenie katalogu:
|
||||
|
||||
```
|
||||
# kontenery
|
||||
if not os.path.exists(smieci_w_kontenerach):
|
||||
os.makedirs(smieci_w_kontenerach)
|
||||
else:
|
||||
for dir in os.listdir(os.getcwd() + "\\" + smieci_w_kontenerach):
|
||||
files = os.listdir(os.getcwd() + "\\" +
|
||||
smieci_w_kontenerach + "\\" + dir)
|
||||
for file in files:
|
||||
os.remove(os.getcwd() + "\\" +
|
||||
smieci_w_kontenerach + "\\" + dir + "\\" + file)
|
||||
```
|
||||
BIN
resources/smieci w kontenerach/glass/google-image(0113).jpeg
Normal file
BIN
resources/smieci w kontenerach/glass/google-image(0113).jpeg
Normal file
Binary file not shown.
|
After Width: | Height: | Size: 8.1 KiB |
@ -8,7 +8,7 @@
|
||||
|
||||
## 1. Ogólne działanie:
|
||||
|
||||
|
||||
|
||||
|
||||
- Śmieciarka zaczyna ruch z pozycji (10, 10), po czym odwiedza wszystkie domy,
|
||||
których współrzędne zostały wylosowane, następnie jedzie na wysypisko do najbliższego kontenera,
|
||||
@ -20,7 +20,7 @@ po czym wybiera następny najbliższy nieodwiedzony kontener.
|
||||
|
||||
## 2. Pętla główna strategii przeszukiwania:
|
||||
|
||||
|
||||
|
||||
|
||||
- w pętli głównej wykorzystujemy przeszukiwanie grafu (graphsearch)
|
||||
- tworzymy kolejkę priorytetową, po czym dodajemy do niej bieżący węzeł
|
||||
@ -36,7 +36,7 @@ po czym wybiera następny najbliższy nieodwiedzony kontener.
|
||||
|
||||
## 3. Funkcja następnika:
|
||||
|
||||
|
||||
|
||||
|
||||
gdzie sąsiedzi to:
|
||||
```
|
||||
@ -51,7 +51,7 @@ sasiedzi = [(0, 1), (0, -1), (1, 0), (-1, 0)]
|
||||
|
||||
## 4. Przyjęta heurystyka:
|
||||
|
||||
|
||||
|
||||
|
||||
- Heurystyka to suma odległości Manhattan
|
||||
|
||||
@ -59,7 +59,7 @@ sasiedzi = [(0, 1), (0, -1), (1, 0), (-1, 0)]
|
||||
|
||||
## 5. Koszt wjechania na pole
|
||||
|
||||
|
||||
|
||||
|
||||
- Koszt wjechania na pole, na którym jest dom wynosi 3
|
||||
- Koszt wjechania na pole, które jest wysypiskiem wynosi 2
|
||||
@ -6,9 +6,9 @@ import os
|
||||
import h5py
|
||||
|
||||
rozmiar_zdj = tuple((500, 500))
|
||||
sciezka_do_zdj = "../resources/dane/smieci_stare"
|
||||
h5_dane = '../resources/dane/parametry_zdjec.h5'
|
||||
h5_etykiety = '../resources/dane/etykiety.h5'
|
||||
sciezka_do_zdj = "resources/smieci_stare"
|
||||
h5_dane = 'parametry_zdjec.h5'
|
||||
h5_etykiety = 'etykiety.h5'
|
||||
|
||||
|
||||
def wyznaczHuMomenty(zdj):
|
||||
@ -62,13 +62,13 @@ def train():
|
||||
running_loss = 0.0
|
||||
|
||||
print('Finished Training')
|
||||
PATH = '../resources/dane/wytrenowaned.pth'
|
||||
PATH = './wytrenowaned.pth'
|
||||
torch.save(net.state_dict(), PATH)
|
||||
|
||||
|
||||
def predict(img_path):
|
||||
net = Net()
|
||||
PATH = '../resources/dane/wytrenowaned.pth'
|
||||
PATH = './wytrenowaned.pth'
|
||||
img = Image.open(img_path)
|
||||
pil_to_tensor = transforms.ToTensor()(img).unsqueeze_(0)
|
||||
classes = ('glass', 'metal', 'paper', 'plastic')
|
||||
@ -17,10 +17,10 @@ import pydotplus
|
||||
warnings.filterwarnings('ignore')
|
||||
|
||||
rozmiar_zbioru_testowego = 0.20
|
||||
katalog_uczacy = "..\\resources\\smieci_stare"
|
||||
katalog_testujacy = "..\\resources\\smieci w kontenerach"
|
||||
h5_parametry = '..\\resources\\dane\\parametry_zdjec.h5'
|
||||
h5_etykiety = '..\\resources\\dane\\etykiety.h5'
|
||||
katalog_uczacy = "resources\\smieci_stare"
|
||||
katalog_testujacy = "resources\\smieci w kontenerach"
|
||||
h5_parametry = 'parametry_zdjec.h5'
|
||||
h5_etykiety = 'etykiety.h5'
|
||||
rozmiar_zdj = tuple((500, 500))
|
||||
|
||||
|
||||
@ -9,8 +9,8 @@ from keras import backend as K
|
||||
|
||||
img_width, img_height = 299, 299
|
||||
|
||||
train_data_dir = '../resources/zbior_uczacy'
|
||||
validation_data_dir = '../resources/smieci'
|
||||
train_data_dir = 'resources/zbior_uczacy'
|
||||
validation_data_dir = 'resources/smieci'
|
||||
nb_train_samples = 1599
|
||||
nb_validation_samples = 395
|
||||
epochs = 1
|
||||
@ -79,12 +79,12 @@ def trainModel():
|
||||
validation_data=validation_generator,
|
||||
validation_steps=nb_validation_samples // batch_size,
|
||||
shuffle=True)
|
||||
model.save_weights('../resources/dane/nowy_wytrenowany.h5')
|
||||
model.save_weights('nowy_wytrenowany.h5')
|
||||
|
||||
|
||||
def przewidz(path):
|
||||
model = stworzModel()
|
||||
model.load_weights('../resources/dane/wytrenowany.h5')
|
||||
model.load_weights('wytrenowany.h5')
|
||||
img = load_img(path, target_size=(299, 299))
|
||||
img_array = img_to_array(img)
|
||||
img_array = np.expand_dims(img_array, axis=0)
|
||||
Loading…
Reference in New Issue
Block a user