عنوان: شناسایی گونه های پرنده با استفاده از شبکه های عصبی کانولوشنال
طبقه بندی گونه های پرندگان
این پروژه شامل پایان نامه به انگلیسی و فایل های شبیه سازی کامل می باشد. هدف این پروژه بهبود یک طبقهبندیکننده پیشرفته گونههای پرنده با استفاده از شبکههای عصبی باقیمانده عمیق، تقویت دادههای فرکانس دلتا با عرض چندگانه و ترکیب متا دادهها برای ساخت و آموزش طبقهبندیکننده گونههای پرنده بر روی داده های آواز پرندگان با برچسب گونه های مربوطه است.
هدف
استفاده از شبکه های عصبی کانولوشن برای ساخت و آموزش طبقه بندی کننده گونه های پرنده بر روی داده های آواز پرندگان با برچسب گونه های مربوطه.
تنظیمات
$ git clone https://github.com/johnmartinsson/bird-species-classification $ virtualenv -p /usr/bin/python3.6 venv $ source venv/bin/activate (venv)$ pip install -r requirements.txt # Ubuntu/Linux 64-bit, CPU only, Python 3.6 (venv)$ pip install --upgrade tensorflow # Ubuntu/Linux 64-bit, GPU enabled, Python 3.6 # Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Install from sources" below. (venv)$ pip install --upgrade tensorflow-gpu
دستورالعمل استفاده
این بخش نحوه پیش پردازش مجموعه داده birdCLEF2016، نحوه تقسیم مجموعه داده ها به مجموعه آموزشی و اعتبار سنجی، نحوه آموزش یک مدل بر روی داده های آموزشی، و نحوه ارزیابی مدل بر روی داده های اعتبار سنجی را توضیح می دهد.
پیش پردازش
ابتدا باید صداهای ضبط شده را down-sample کنیم.
$ # Resample to 22050 Hz (stand in wav directory) $ for i in *; do sox $i -r 22050 tmp.wav; mv tmp.wav $i; done
در مرحله دوم، بخشهای سیگنال و نویز ضبطها استخراج شده و به سه بخش دوم تقسیم میشوند. بخش های سیگنال بسته به کلاس داده شده در داده های xml در دایرکتوری های مختلفی قرار می گیرند و تمام بخش های نویز در یک فهرست نویز جداگانه قرار می گیرند.
$ python preprocess_birdclef.py --xml_dir=<path-to-xml-dir> \ --wav_dir=<path-to-wav-dir> \ --output_dir=<path-to-output-dir>
در نهایت، داده ها به یک مجموعه آموزشی و یک مجموعه اعتبار سنجی تقسیم می شوند:
$ python create_dataset.py --src_dir=<path-to-signal-dir> \ --dst_dir=<path-to-destination-dir> \ --subset_size=<subset-size> \ --valid_percentage=<validation-percentage>
که src به بخشهای سیگنال اشاره میکند، dst مقصد است، اندازه زیر مجموعه یک آرگومان اختیاری است که دادههای آموزشی و اعتبارسنجی را به صورت تصادفی زیرمجموعهای از گونههای پرنده از کل مجموعه داده انتخاب میکند و درصد معتبر چند درصد از دادهها است که باید در مجموعه اعتبارسنجی باشد.
آموزش
$ python train.py --config_file=conf.ini
پیش بینی ها را اجرا کنید
$ python run_predictions.py --experiment_path=<path-to-experiment>
ارزیابی
$ python evaluate.py --experiment_path=<path-to-results>
مدل ها
در این پروژه از دو مدل مختلف استفاده شده است: اجرای مجدد راه حل برنده Elias Sprengels برای چالش BirdCLEF 2016 و اجرای Keras از شبکه عصبی باقیمانده عمیق.
کتابخانه ها
در این روش از کتابخانه های زیر استفاده می شود:
- keras,
- scipy,
- numpy,
- scikit-learn.
روشهای ارزیابی
میانگین دقت متوسط
خطای پوشش
رتبه بندی برچسب میانگین دقت
AUROC
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.