颜色分类leetcode（98.8%解决方案）使用深度学习神经网络的德国符号分类。Vivek Yadav，博士 这个存储库包含我为Udacity的交通标志分类项目所做的工作，是他们自动驾驶汽车纳米学位的一部分。我还发表了一篇关于此文档的一般方法的中篇文章。该存储库提供了训练卷积网络以识别德国交通标志的代码。以下是一些基准测试结果：

  • 模型准确性

  • 作者空间转换器：99.81%

  • CNN委员会：99.47%

  • 我们的模型：98.8%

  • 人类准确性：98.32%

下面的文件介绍了培训计划。您可以下载最终的训练模型。

文件设置：

  1. 为项目创建一个主文件夹。

  2. 从下载数据，并将它们放在主项目文件夹中名为“TrafficSignData”的文件夹中。

  3. 从主文件夹运行 Traffic_signs_Col_val_final2.ipynb。

帖子的组织结构：

  1. 探索性数据分析（EDA）

  2. 数据增强和预处理

  3. 模型架构

  4. 在德国符号测试数据和未见过的数据上的模型性能

1. 探索性数据分析（EDA）

首先，我们将熟悉数据本身。德国标志数据由许多标志组成，如下所示。