优秀网站设计案例中国,爱城市网app官方下载,计算机专业主要学什么女生,高端私人订制网站建设文章内容结构#xff1a;
一. 先介绍什么是Annoy算法。 二. 用Annoy算法建树的完整代码。 三. 用Annoy建树后的树特征匹配聚类归类图像。 一. 先介绍什么是Annoy算法
下面的文章链接将Annoy算法讲解的很详细#xff0c;这里就不再做过多原理的分析了#xff0c;想详细了解…文章内容结构
一. 先介绍什么是Annoy算法。 二. 用Annoy算法建树的完整代码。 三. 用Annoy建树后的树特征匹配聚类归类图像。 一. 先介绍什么是Annoy算法
下面的文章链接将Annoy算法讲解的很详细这里就不再做过多原理的分析了想详细了解的可以看看这篇文章内容。
https://zhuanlan.zhihu.com/p/148819536
总的来说
1通过多次递归迭代建立一个二叉树以二叉树的方式提升数据聚类和搜索速度但会损失一些精度。
2建树过程相对比较耗时但建树只需要一次部署到线上或者其他设备上能无数次聚类搜索。(类似于人脸识别的人脸底库)
注 这里全部是个人经验能提升样本标注和清洗效率不是标准的数据处理方式希望对您有帮助。
-------- 二. 用Annoy算法建树的完整代码
对底库聚类建树生成Annoy树特征文件。
下面参数说明
最佳聚类类别数量 是根据《三.以聚类的方式清洗图像数据集找到最佳聚类类别数 (图像特征提取Kmeans聚类)》获取得到
BEST_NUM_CLUSTERS 2501图像特征提取后的向量维度是pt或者onnx模型输出的类别数
FEATURE_DIM 190推断图像尺寸是根据训练pt模型时输入的图像尺寸大小
CLASSIFY_SIZE 224
以下是正式的代码
import os
import cv2
import numpy as np
from PIL import Image
import onnxruntime as ort
import shutil
from sklearn.cluster import KMeans
from sklearn.preprocessing import Normalizer
from tqdm import tqdm
import math
import matplotlib.pyplot as plt# 图像预处理函数
def preprocess_image(image_path):roi_frame cv2.imread(image_path)width roi_frame.shape[1]height roi_frame.shape[0]if (width ! CLASSIFY_SIZE) or (height ! CLASSIFY_SIZE) :if width height:# 将图像逆时针旋转90度roi_frame cv2.rotate(roi_frame, cv2.ROTATE_90_COUNTERCLOCKWISE)new_height CLASSIFY_SIZEnew_width int(roi_frame.shape[1] * (CLASSIFY_SIZE / roi_frame.shape[0]))roi_frame cv2.resize(roi_frame, (new_width, new_height))# 计算上下左右漂移量y_offset (CLASSIFY_SIZE - roi_frame.shape[0]) // 2x_offset (CLASSIFY_SIZE - roi_frame.shape[1]) // 2gray_image np.full((CLASSIFY_SIZE, CLASSIFY_SIZE, 3), 128, dtypenp.uint8)# 将调整大小后的目标图像放置到灰度图上gray_image[y_offset:y_offset roi_frame.shape[0], x_offset:x_offset roi_frame.shape[1]] roi_frame# # 显示结果# cv2.imshow(gray_image, gray_image)# cv2.waitKey(1)# 将图像转为 rgbgray_image cv2.cvtColor(gray_image, cv2.COLOR_BGR2RGB)else:gray_image cv2.cvtColor(roi_frame, cv2.COLOR_BGR2RGB)img_np np.array(gray_image).transpose(2, 0, 1).astype(np.float32)# 假设模型需要[0,1]归一化img_np img_np / 255.0# 均值 方差mean np.array([0.485, 0.456, 0.406],dtypenp.float32).reshape(3, 1, 1)std np.array([0.229, 0.224, 0.225],dtypenp.float32).reshape(3, 1, 1)img_np (img_np - mean)/stdreturn np.expand_dims(img_np, axis0)# 卸载 onnxruntime
# 安装 pip install onnxruntime-gpu
def get_onnx_providers():# 检查是否安装了GPU版本的ONNX Runtimeall_provider ort.get_available_providers()if CUDAExecutionProvider in all_provider:providers [(CUDAExecutionProvider, {device_id: 0,arena_extend_strategy: kNextPowerOfTwo,gpu_mem_limit: 6 * 1024 * 1024 * 1024, # 限制GPU内存使用为2GBcudnn_conv_algo_search: EXHAUSTIVE,do_copy_in_default_stream: True,}),CPUExecutionProvider]print(检测到NVIDIA GPU使用CUDA加速)return providerselse:print(未检测到NVIDIA GPU使用CPU)return [CPUExecutionProvider]if __name__ __main__:root_path /home/xxx/Download# ONNX模型路径MODEL_PATH os.path.join(root_path, 08以图搜图_找相似度/98_weights/classify_modified_model_224.onnx)# 图像文件夹路径IMAGE_DIR os.path.join(root_path, 08以图搜图_找相似度/99_test_datasets/8_bcd已验收/8)# 分类结果输出路径OUTPUT_DIR os.path.join(root_path, 08以图搜图_找相似度/99_test_datasets/8_bcd已验收/8_kmeans_besk_k_classify)# 保存ann建树文件路径ANNOY_PATH 08以图搜图_找相似度/01kmeans和DBscan/kmeans/annoy_cls.ann# 最佳聚类类别数量(用kmeans和inner找到的)BEST_NUM_CLUSTERS 2501# 图像特征提取后的向量维度FEATURE_DIM 190 # 根据自己的模型输出维度修改# 推断图像尺寸CLASSIFY_SIZE 224# 手动划分分类数量# NUM_CLUSTERS 3000# 创建输出文件夹os.makedirs(OUTPUT_DIR, exist_okTrue)print(ONNX Runtime版本:, ort.__version__)print(可用执行器:, ort.get_available_providers())# 可用执行器: [TensorrtExecutionProvider, CUDAExecutionProvider, AzureExecutionProvider, CPUExecutionProvider]# 加载ONNX模型动态获取输入/输出名称ort_session ort.InferenceSession(MODEL_PATH,providersget_onnx_providers())# 确保输出名称正确input_name ort_session.get_inputs()[0].nameoutput_name ort_session.get_outputs()[0].namefrom annoy import AnnoyIndext AnnoyIndex(FEATURE_DIM, metricangular) # FEATURE_DIM是图像特征提取后的向量维度# 提取特征向量features []image_paths []print(开始对所有图像推理, 提取特征)for index, filename in tqdm(enumerate(os.listdir(IMAGE_DIR))):if filename.lower().endswith((.png, .jpg, .jpeg)):path os.path.join(IMAGE_DIR, filename)try:# 前处理input_tensor preprocess_image(path)# 推断feature ort_session.run([output_name], {input_name: input_tensor})[0]# 确保特征展平为1D, 190维度features.append(feature.reshape(-1))image_paths.append(path)# 增加到Annoy树t.add_item(index, feature.reshape(-1))except Exception as e:print(fError processing {filename}: {str(e)})t.build(BEST_NUM_CLUSTERS) # 根据kmeans聚类找到最佳的聚类类别数量t.save(ANNOY_PATH)print(提取特征结束)print(Annoy建树结束)生成建树annoy_cls.ann文件。 三. 用Annoy建树后的树特征匹配聚类归类图像
使用流程
1加载ann建树文件
2提取单张A图像特征
3单张A图像特征与ann建树文件的特征进行比对找到ann建树文件里面的与A图像特征相似的TOP_K的底库图像拷贝走或者移动走。
import os
import cv2
import numpy as np
from PIL import Image
import onnxruntime as ort
import shutil
from sklearn.cluster import KMeans
from sklearn.preprocessing import Normalizer
from tqdm import tqdm
import math
import matplotlib.pyplot as plt# 图像预处理函数
def preprocess_image(image_path):roi_frame cv2.imread(image_path)width roi_frame.shape[1]height roi_frame.shape[0]if (width ! CLASSIFY_SIZE) or (height ! CLASSIFY_SIZE) :if width height:# 将图像逆时针旋转90度roi_frame cv2.rotate(roi_frame, cv2.ROTATE_90_COUNTERCLOCKWISE)new_height CLASSIFY_SIZEnew_width int(roi_frame.shape[1] * (CLASSIFY_SIZE / roi_frame.shape[0]))roi_frame cv2.resize(roi_frame, (new_width, new_height))# 计算上下左右漂移量y_offset (CLASSIFY_SIZE - roi_frame.shape[0]) // 2x_offset (CLASSIFY_SIZE - roi_frame.shape[1]) // 2gray_image np.full((CLASSIFY_SIZE, CLASSIFY_SIZE, 3), 128, dtypenp.uint8)# 将调整大小后的目标图像放置到灰度图上gray_image[y_offset:y_offset roi_frame.shape[0], x_offset:x_offset roi_frame.shape[1]] roi_frame# # 显示结果# cv2.imshow(gray_image, gray_image)# cv2.waitKey(1)# 将图像转为 rgbgray_image cv2.cvtColor(gray_image, cv2.COLOR_BGR2RGB)else:gray_image cv2.cvtColor(roi_frame, cv2.COLOR_BGR2RGB)img_np np.array(gray_image).transpose(2, 0, 1).astype(np.float32)# 假设模型需要[0,1]归一化img_np img_np / 255.0# 均值 方差mean np.array([0.485, 0.456, 0.406],dtypenp.float32).reshape(3, 1, 1)std np.array([0.229, 0.224, 0.225],dtypenp.float32).reshape(3, 1, 1)img_np (img_np - mean)/stdreturn np.expand_dims(img_np, axis0)# todo
# 卸载 onnxruntime
# 安装 pip install onnxruntime-gpu
def get_onnx_providers():# 检查是否安装了GPU版本的ONNX Runtimeall_provider ort.get_available_providers()if CUDAExecutionProvider in all_provider:providers [(CUDAExecutionProvider, {device_id: 0,arena_extend_strategy: kNextPowerOfTwo,gpu_mem_limit: 6 * 1024 * 1024 * 1024, # 限制GPU内存使用为2GBcudnn_conv_algo_search: EXHAUSTIVE,do_copy_in_default_stream: True,}),CPUExecutionProvider]print(检测到NVIDIA GPU使用CUDA加速)return providerselse:print(未检测到NVIDIA GPU使用CPU)return [CPUExecutionProvider]if __name__ __main__:root_path /home/xxx/Download# ONNX模型路径MODEL_PATH os.path.join(root_path, 08以图搜图_找相似度/98_weights/classify_modified_model_224.onnx)# 图像文件夹路径IMAGE_DIR os.path.join(root_path, 08以图搜图_找相似度/99_test_datasets/8_bcd已验收/8)# 分类结果输出路径OUTPUT_DIR os.path.join(root_path, 08以图搜图_找相似度/99_test_datasets/8_bcd已验收/8_kmeans_besk_k_classify)# 保存annoy建树路径ANNOY_PATH os.path.join(root_path, 08以图搜图_找相似度/01kmeans和DBscan/kmeans/annoy_cls.ann)# 最佳聚类类别数量BEST_NUM_CLUSTERS 2501# 图像特征提取后的向量维度FEATURE_DIM 190# 推断图像尺寸CLASSIFY_SIZE 224# 取top10TOP_K 10# 手动划分分类数量# NUM_CLUSTERS 3000# 创建输出文件夹os.makedirs(OUTPUT_DIR, exist_okTrue)print(ONNX Runtime版本:, ort.__version__)print(可用执行器:, ort.get_available_providers())# 可用执行器: [TensorrtExecutionProvider, CUDAExecutionProvider, AzureExecutionProvider, CPUExecutionProvider]# 加载ONNX模型动态获取输入/输出名称ort_session ort.InferenceSession(MODEL_PATH,providersget_onnx_providers())# 确保输出名称正确input_name ort_session.get_inputs()[0].nameoutput_name ort_session.get_outputs()[0].namefrom annoy import AnnoyIndexAnnoy_ AnnoyIndex(FEATURE_DIM, metricangular) # FEATURE_DIM是图像特征提取后的向量维度Annoy_.load(ANNOY_PATH) # 提取特征向量features []image_paths []# 获取所有图像路径for _, filename in tqdm(enumerate(os.listdir(IMAGE_DIR))):if filename.lower().endswith((.png, .jpg, .jpeg)):path os.path.join(IMAGE_DIR, filename)image_paths.append(path)print(开始对所有图像推理, 提取特征, 根据创建的树进行聚类)for _, filename in tqdm(enumerate(os.listdir(IMAGE_DIR))):if filename.lower().endswith((.png, .jpg, .jpeg)):path os.path.join(IMAGE_DIR, filename)try:# 前处理input_tensor preprocess_image(path)# 推断feature ort_session.run([output_name], {input_name: input_tensor})[0]# 确保特征展平为1D, 190维度features.append(feature.reshape(-1))# image_paths.append(path)# 取top10的相似图像similar_img_indices, similar_img_distancesAnnoy_.get_nns_by_vector(feature.reshape(-1), TOP_K, include_distancesTrue)print(similar_img_index:, similar_img_indices)print(similar_img_distance:, similar_img_distances)shutil.copy(path, os.path.join(OUTPUT_DIR,11))# 移动相似图像到输出目录for idx in similar_img_indices:similar_image_path image_paths[idx]# shutil.move(similar_image_path, OUTPUT_DIR)shutil.copy(similar_image_path, OUTPUT_DIR)except Exception as e:print(fError processing {filename}: {str(e)})print(提取特征结束)print(根据Annoy数特征聚类归类图像结束)
