### 使用 Python 和卷积神经网络实现交通信号识别 #### 数据准备 为了构建一个能够有效识别交通信号灯的模型，数据集的质量至关重要。通常情况下，可以选择公开的数据集如 GTSRB（German Traffic Sign Recognition Benchmark），或者自行采集并标注数据[^1]。这些数据应包括不同光照条件、天气状况以及角度下的交通信号灯图像。 #### 构建 CNN 模型 卷积神经网络 (CNN) 是处理图像分类任务的理想工具之一。以下是基于 TensorFlow/Keras 的简单 CNN 结构： ```python import tensorflow as tf from tensorflow.keras import layers, models def create_cnn_model(input_shape, num_classes): model = models.Sequential() # 添加第一个卷积层和池化层 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape)) model.add(layers.MaxPooling2D((2, 2))) # 添加第二个卷积层和池化层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) # 添加第三个卷积层和池化层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) # 展平操作 model.add(layers.Flatten()) # 全连接层 model.add(layers.Dense(64, activation='relu')) # 输出层 model.add(layers.Dense(num_classes, activation='softmax')) return model ``` 此函数定义了一个基础的 CNN 模型结构，适用于大多数简单的图像分类问题[^3]。 #### 训练过程 在完成模型设计后，需要加载预处理后的数据并对模型进行编译与训练。以下是一个基本流程示例： ```python # 假设 train_images 和 train_labels 已经准备好 model = create_cnn_model(input_shape=(32, 32, 3), num_classes=4) # 编译模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 开始训练 history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels)) ``` 上述代码片段展示了如何配置优化器、损失函数以及评估指标，并通过 `fit` 方法启动训练过程。 #### 测试与部署 当模型训练完成后，可以通过加载保存的最佳权重来执行预测任务。例如，在 Unity 中集成该模型以便于实时显示检测结果，则需导出为兼容格式文件（如 `.h5` 或 ONNX 文件）[^2]。 ```python # 加载已训练好的模型 loaded_model = tf.keras.models.load_model('traffic_light_recognition.h5') # 对单张图片进行预测 img_path = 'path_to_test_image.jpg' img = tf.keras.preprocessing.image.load_img(img_path, target_size=(32, 32)) input_arr = tf.keras.preprocessing.image.img_to_array(img) input_arr = np.array([input_arr]) # 转换为批量大小为1的形式 predictions = loaded_model.predict(input_arr) print(np.argmax(predictions)) # 打印最高概率对应的类别索引 ``` 以上脚本说明了如何利用之前存储下来的模型来进行新样本的推断工作流。