iT邦幫忙

2024 iThome 鐵人賽
DAY 19
0
Software Development

LSTM結合Yolo v8對於多隻斑馬魚行為分析系列 第 19 篇

day 19 Yolo分析公路車胎壓結合lstm換輪胎時間

16th鐵人賽
71 瀏覽

  • 分享至 

  • xImage
    •  

今天是第十九天我們可以寫一個yolo分析公路車胎壓結合lstm預測換輪胎系統，這不僅保障平時我們的安全更能預防性避免不必要的麻煩出現，以下是程式碼
要結合 YOLO 和 LSTM 來辨識公路車的胎壓並預測換輪胎的時間，可以分為兩個主要部分：

  1. YOLO 部分： 用 YOLO 模型來辨識公路車的輪胎，並從中提取出輪胎的胎壓數據。
  2. LSTM 部分： 利用 LSTM 模型來根據歷史胎壓數據，預測下一次換輪胎的時間。

YOLO 部分


假設你有一個標註了胎壓數據的輪胎影像資料集，你可以使用 YOLO 來辨識輪胎並提取胎壓資訊。這裡假設胎壓可以通過輪胎上的數字或指標來辨識。

```python
import torch

# 加載預訓練的 YOLO 模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='path_to_your_model.pt')

# 讀取影像
image = 'path_to_your_image.jpg'

# 使用 YOLO 模型辨識輪胎並提取胎壓數據
results = model(image)

# 獲取辨識結果
detected_objects = results.pandas().xyxy[0]  # 取得物件的 DataFrame
tire_pressure = None

# 假設有一個標籤 "tire_pressure" 來標註胎壓數據
for _, row in detected_objects.iterrows():
    if row['name'] == 'tire_pressure':
        tire_pressure = row['confidence'] * 100  # 假設辨識出來的是胎壓百分比

print(f"辨識出的胎壓: {tire_pressure} psi")

LSTM 部分

根據 YOLO 提取的胎壓數據，我們可以構建一個 LSTM 模型來預測換輪胎的時間。

假設我們有一組歷史胎壓數據，使用這些數據來訓練 LSTM 模型。

import numpy as np
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler

# 創建一些示例數據
data = np.array([28.5, 28.7, 28.9, 29.0, 28.8, 28.5, 28.3])  # 假設這是歷史胎壓數據
scaler = MinMaxScaler(feature_range=(0, 1))
data_normalized = scaler.fit_transform(data.reshape(-1, 1))

# 構建 LSTM 模型
class LSTMModel(nn.Module):
    def __init__(self, input_size=1, hidden_layer_size=50, output_size=1):
        super(LSTMModel, self).__init__()
        self.hidden_layer_size = hidden_layer_size
        self.lstm = nn.LSTM(input_size, hidden_layer_size, batch_first=True)
        self.linear = nn.Linear(hidden_layer_size, output_size)
        self.hidden_cell = (torch.zeros(1, 1, self.hidden_layer_size),
                            torch.zeros(1, 1, self.hidden_layer_size))

    def forward(self, input_seq):
        lstm_out, self.hidden_cell = self.lstm(input_seq, self.hidden_cell)
        predictions = self.linear(lstm_out[:, -1])
        return predictions

# 創建模型實例
model = LSTMModel()

# 構建序列數據
def create_inout_sequences(input_data, seq_length):
    inout_seq = []
    for i in range(len(input_data) - seq_length):
        seq = input_data[i:i + seq_length]
        label = input_data[i + seq_length]
        inout_seq.append((seq, label))
    return inout_seq

seq_length = 3
train_inout_seq = create_inout_sequences(torch.FloatTensor(data_normalized).view(-1), seq_length)

# 訓練模型
loss_function = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

epochs = 150
for epoch in range(epochs):
    for seq, labels in train_inout_seq:
        optimizer.zero_grad()
        model.hidden_cell = (torch.zeros(1, 1, model.hidden_layer_size),
                             torch.zeros(1, 1, model.hidden_layer_size))

        y_pred = model(seq.view(1, -1, 1))
        single_loss = loss_function(y_pred, labels)
        single_loss.backward()
        optimizer.step()

    if epoch % 25 == 0:
        print(f'epoch: {epoch:3} loss: {single_loss.item():10.8f}')

# 預測下一次換輪胎的時間（假設這是時間序列預測的一部分）
model.eval()
with torch.no_grad():
    test_seq = torch.FloatTensor(data_normalized[-seq_length:]).view(1, -1, 1)
    predicted_pressure = model(test_seq)
    predicted_pressure = scaler.inverse_transform(predicted_pressure.numpy())

print(f"預測的下一次胎壓值: {predicted_pressure[0][0]} psi")

1. YOLO 部分

這部分的目的是使用 YOLO 模型來辨識公路車的輪胎，並提取胎壓數據。

import torch

# 加載預訓練的 YOLO 模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='path_to_your_model.pt')

# 讀取影像
image = 'path_to_your_image.jpg'

# 使用 YOLO 模型辨識輪胎並提取胎壓數據
results = model(image)

# 獲取辨識結果
detected_objects = results.pandas().xyxy[0]  # 取得物件的 DataFrame
tire_pressure = None

# 假設有一個標籤 "tire_pressure" 來標註胎壓數據
for _, row in detected_objects.iterrows():
    if row['name'] == 'tire_pressure':
        tire_pressure = row['confidence'] * 100  # 假設辨識出來的是胎壓百分比

print(f"辨識出的胎壓: {tire_pressure} psi")

說明：

  • import torch: 載入 PyTorch 庫，這是用來處理深度學習模型的工具。
  • model = torch.hub.load(...): 這行代碼用來加載 YOLOv5 模型。這個模型已經預先訓練好，可以辨識物件。path_to_your_model.pt 是你訓練的 YOLO 模型的路徑。
  • results = model(image): 將影像輸入模型，模型會輸出在影像中辨識到的物件。
  • detected_objects = results.pandas().xyxy[0]: YOLO 的輸出結果會轉換成一個資料框（DataFrame），這裡我們取得第一個 DataFrame。
  • for _, row in detected_objects.iterrows(): 這個迴圈遍歷每個被辨識到的物件。假設胎壓有一個特定的標籤 "tire_pressure"，當辨識到這個標籤時，取得相對應的信心度，並轉換成胎壓值。
  • print(f"辨識出的胎壓: {tire_pressure} psi"): 最後將辨識出的胎壓值打印出來。

2. LSTM 部分

這部分用於根據歷史胎壓數據，通過 LSTM 模型來預測下一次胎壓的變化，進而決定何時需要更換輪胎。

import numpy as np
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler

# 創建一些示例數據
data = np.array([28.5, 28.7, 28.9, 29.0, 28.8, 28.5, 28.3])  # 假設這是歷史胎壓數據
scaler = MinMaxScaler(feature_range=(0, 1))
data_normalized = scaler.fit_transform(data.reshape(-1, 1))

# 構建 LSTM 模型
class LSTMModel(nn.Module):
    def __init__(self, input_size=1, hidden_layer_size=50, output_size=1):
        super(LSTMModel, self).__init__()
        self.hidden_layer_size = hidden_layer_size
        self.lstm = nn.LSTM(input_size, hidden_layer_size, batch_first=True)
        self.linear = nn.Linear(hidden_layer_size, output_size)
        self.hidden_cell = (torch.zeros(1, 1, self.hidden_layer_size),
                            torch.zeros(1, 1, self.hidden_layer_size))

    def forward(self, input_seq):
        lstm_out, self.hidden_cell = self.lstm(input_seq, self.hidden_cell)
        predictions = self.linear(lstm_out[:, -1])
        return predictions

# 創建模型實例
model = LSTMModel()

# 構建序列數據
def create_inout_sequences(input_data, seq_length):
    inout_seq = []
    for i in range(len(input_data) - seq_length):
        seq = input_data[i:i + seq_length]
        label = input_data[i + seq_length]
        inout_seq.append((seq, label))
    return inout_seq

seq_length = 3
train_inout_seq = create_inout_sequences(torch.FloatTensor(data_normalized).view(-1), seq_length)

# 訓練模型
loss_function = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

epochs = 150
for epoch in range(epochs):
    for seq, labels in train_inout_seq:
        optimizer.zero_grad()
        model.hidden_cell = (torch.zeros(1, 1, model.hidden_layer_size),
                             torch.zeros(1, 1, model.hidden_layer_size))

        y_pred = model(seq.view(1, -1, 1))
        single_loss = loss_function(y_pred, labels)
        single_loss.backward()
        optimizer.step()

    if epoch % 25 == 0:
        print(f'epoch: {epoch:3} loss: {single_loss.item():10.8f}')

# 預測下一次換輪胎的時間（假設這是時間序列預測的一部分）
model.eval()
with torch.no_grad():
    test_seq = torch.FloatTensor(data_normalized[-seq_length:]).view(1, -1, 1)
    predicted_pressure = model(test_seq)
    predicted_pressure = scaler.inverse_transform(predicted_pressure.numpy())

print(f"預測的下一次胎壓值: {predicted_pressure[0][0]} psi")

說明：

  • import numpy as np: 載入 NumPy 庫，用來處理數據。
  • import torch, torch.nn as nn: 載入 PyTorch 及其神經網絡模組。
  • from sklearn.preprocessing import MinMaxScaler: 載入 Scikit-learn 的 MinMaxScaler，用來將數據縮放到 [0, 1] 範圍內。
  • data = np.array([...])：建立一組示例的歷史胎壓數據。
  • scaler = MinMaxScaler(...): 使用 MinMaxScaler 來標準化數據，這有助於 LSTM 的訓練。
  • data_normalized = scaler.fit_transform(...): 將數據進行標準化。
  • class LSTMModel(nn.Module): 這段代碼定義了一個簡單的 LSTM 模型，包括 LSTM 層和線性層。
    • init(): 初始化模型的屬性，設置 LSTM 層的大小和線性層的輸出大小。
    • forward(): 定義模型的前向傳播過程。LSTM 處理輸入的序列數據，然後通過線性層進行預測。
  • model = LSTMModel(): 創建 LSTM 模型的實例。
  • def create_inout_sequences(...): 這個函數用來將數據分成序列，用於 LSTM 的訓練。每個序列包含 seq_length 個連續的胎壓數據點，並預測下一個數據點。
  • seq_length = 3: 設置序列長度，即每次輸入 LSTM 模型的數據點數量。
  • train_inout_seq = create_inout_sequences(...): 生成訓練數據。
  • loss_function = nn.MSELoss(): 定義損失函數，這裡使用均方誤差（MSE）。
  • optimizer = torch.optim.Adam(...): 使用 Adam 優化器來更新模型權重。
  • epochs = 150: 設定訓練模型的回合數。
  • for epoch in range(epochs): ...: 訓練過程的主迴圈。每個 epoch 會遍歷整個數據集，並調整模型的權重以最小化損失。
  • model.eval(): 將模型設置為評估模式。
  • with torch.no_grad(): 在不計算梯度的上下文中進行推論，以節省內存。
  • predicted_pressure = model(test_seq): 使用 LSTM 模型進行預測。
  • predicted_pressure = scaler.inverse_transform(...): 將預測結果轉換回原始的胎壓值。

結合 YOLO 與 LSTM

整合 YOLO 和 LSTM，可以實現根據輪胎辨識出的胎壓數據來預測何時需要更換輪胎的應用。這個系統可以不斷地從實時數據中學習並調整模型的預測。


上一篇
day 18寫一個mock test斑馬魚的介面測試
下一篇
Lstm結合yolo分析斑馬魚陰影是否造成實驗誤差
系列文
LSTM結合Yolo v8對於多隻斑馬魚行為分析 共 29 篇
  1. 25
    day 25 lstm結合yolo分析斑馬魚行為模型系統
  2. 26
    day 26 lstm多隻斑馬魚模型分析
  3. 27
    Day 27Lstm與Yolo多斑馬魚行為分析介面mock test
  4. 28
    day 28 Lstm結合yolo v8 多隻斑馬魚行為分析效能評估
  5. 29
    day 29 lstm結合yolo v8對於多隻斑馬魚行為分析
完整目錄
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言
iThome鐵人賽
參賽組數
466 組
團體組數
18 組
累計文章數
2943 篇
最後報名日
9/15
iT+看影片追技術 看影片追技術 看更多
熱門tag 看更多
15th鐵人賽 13th鐵人賽 14th鐵人賽 12th鐵人賽 11th鐵人賽 鐵人賽 2019鐵人賽 javascript 2018鐵人賽 python 2017鐵人賽 16th鐵人賽 windows php c# windows server linux css react 資訊安全
熱門問題
熱門回答
熱門文章
IT邦幫忙