ICT-Learn

Voraussetzungen

• Linux, Python
• Tensorflow
• TFLearn: pip install tflearn
• Numpy (wird i.d.R. mit TFLearn mitinstalliert)
• OpenCV
• Matplotlib

---

Bedienung

Lamellen ausschneiden

1. In cut_image.py

• in "seite.open..." Name der Texdatei mit den Labels angeben
• Falls keine Textdatei mit den Labels vorhanden, einfach unverändert lassen
  • man kann hinterher in der Funktion classify() (in slat_train.py) angeben, dass man keine korrekten Labels hat

2. Terminal: python main.py [Bild.jpg]

• Höhe: 50
• Breite: 25
• Reihen: Immer eine mehr angeben. Möchte man z.B. 5 Reihen decodieren, so muss man 6 eingeben
• Offset: 2, falls genau mittig.
  >= 2.7, falls mehr von der oberen Reihe sichtbar sein soll (empfohlen)

Links: Offset 2.7, Rechts Offset 2

3. Ecken auswählen

• Einmal ins Bild klicken: Ausschnitt vergrößern
• Nochmal klick: Ecke auswählen ODER Rechtsklick zum abbrechen
• Falls Ausschnitt sich nicht vergrößert: Rechtsklick, und nochmal etwas weiter unten linksklicken (so dass man die Ecke noch sieht; falls nicht, einfach mit Rechtsklick abbrechen)
• Reihenfolge: links oben, rechts oben, rechts unten, links unten
• Geschnittene Bilder mit labels befinden sich nun im Ordner "bilder1"
  • Falls man keine Textdatei mit Labels hatte, sind die Labels in den Bildnamen natürlich falsch; also nicht verwirren lassen!
  • Falls die Bilder für neue Trainingsdaten geschnitten wurden
    • nur die guten Ausschnitte kopieren
    • recog/OFFSET/ dort einen neuen Ordner "cropped_blabla" erstellen
    • dort einfügen

Trainieren/Testen

Terminal im Ordner recog öffnen

• Falls man ein bereits existierendes Netz trainieren möchte: Gehe zu 1.)
• Falls man ein bereits existierendes Netz testen möchte: Gehe zu 2.)
• Falls man ein neues Netz trainieren möchte: Python Datei für ein neuronales Netz anlegen, z.B. dnn1_bw.py
  • Inhalt von dnn1_bw.py kann als Grundstruktur übernommen weren
  • Dann entsprechend modifizieren
  • (optional) Tensorboard Pfad festlegen, z.B. tensorboard_dir='/home/kyaso/ict/dnn1_bw_logs' (home.. anpassen an eigenen Rechner)
    • Kann man auch weglassen, dann ist der Standardpfad /tmp/tflearn_logs/

1. In slat_train.py

• Neuronales Netz importieren, z.B. import dnn1_bw.py as net
• Trainingsbilder auswählen (load_images...), entsprechendes auskommentieren oder hinzufügen
• Falls Netz zum ersten Mal trainiert wird: net.m.load... auskommentieren
  • Nach erstem Training kann man den Kommentar wieder entfernen
• (optional) Test Ordner festlegen
• Classify aufrufen (genaueres steht als Kommentar darüber (ganz unten in slat_train.py))
• Dann im Terminal python slat_train.py ausführen

2. Falls man das Netz nur testen und nicht trainieren möchte

• recognize.py öffnen
• Neuronales Netz importieren
  • z.B. import dnn1_bw.py as net
• Netz laden
  • z.B. net.m.load("dnn1_offset_bw.tfl")
• Test Ordner festlegen
• Classify aufrufen (genaueres steht als Kommentar darüber (ganz unten in slat_train.py))
• Dann im Terminal python recognize.py auführen
  • Es kann auch der Online-Decoder verwendet werden. Dazu die im Terminal ausgegebene Slatfolge kopieren und im Brower an die entsprechende Stelle in der URL des Online-Decoders kopieren.

3. Tensorboard (optional)

• Terminal öffen
• Eingeben, z.B.: tensorboard --logdir="/home/kyaso/ict/dnn1_bw_logs"
  • Falls Standardpfad: --logdir="/tmp/tflearn_logs/"
• Im Browser http://0.0.0.0:6006 aufrufen

Das von uns final trainierte neuronale Netz dnn1_bw erkennt schwarz-weiß Ausschnitte mit einem Offsetwert von 2.7. Entsprechende Trainingsbilder befinden sich im Ordner recog/OFFSET.