Python中的实用自主项目 车道检测 交通标志识别 I.加载带有标签的完整数据集 二。 将图像大小转换为32x32 三， 建立卷积神经网络 IV。 训练模型 五，使用网站上的图片进行测试 样本图片 图片尺寸为32x32（RGB） 图片尺寸为32x32（HSV） 样品输出 标签 ＃ 标签名 softmax概率 14 停 0.998944 33 向右转 0.000532 29 自行车穿越 0.000311 34 向左转 0.000118 36 直走或右走 0.000095

交通标志识别 将交通标志图像识别并分类为来自数据集的43类。 该项目是Rob Fergus领导的纽约大学计算机视觉课程的一部分，并作为Kaggle竞赛进行。 该模型是使用带有IDSIA网络修改版本的Spatial Transformer网络设计的，并使用大量增强的数据进行了训练。 该模型在Kaggle排行榜上达到了约99.5％的测试设置精度，远高于人工精度。 该项目的整个开发过程可以在阅读。 数据 从下载培训和测试文件夹 跑步 项目可以通过两种方式运行，即main.ipynb jupyter笔记本（最初用于实验）和main.py文件。 对于jupyter笔记本，它包含与数据增强，预处理和培

Traffic_Sign_detection 完成交通标志的识别分类（基于GTSBR数据），测试数据集上达到98.84%的准确率 检测部分的特征提取层包含YoloV2,yoloV2Tiny,yoloV3,MobileNet,SqueezeNet,ShuffleNet,And a Structure deSign by me:S-MobileNet 分类和检测的训练测试详情见:classify/readme.md detection/readme.md 需要weights详见： --- 2018.06.15本科毕设答辩结束，该repo不再更新（也许还会再去做一下，毕竟这个repo确实比较dirty）