精华内容
下载资源
问答
  • 迄今为止最全的动物 图片分类材料库 刚刚发现分享给大家 语料库、corpus、机器学习、machine learning、图片识别训练、Image recognition training https://github.com/skarl-api/corpus

    迄今为止最全的动物 图片分类材料库 刚刚发现分享给大家

    语料库、corpus、机器学习、machine learning、图片识别训练、Image recognition training

    https://github.com/skarl-api/corpus

    展开全文
  • 原始出处:...在美国摄影师史蒂芬·温特(Steve Winter)的这幅国家地理杂志获奖图片中,雪豹恰如其名。 2008年10月30日,“暴风雪中的豹”在2008野生动物年度摄影家大赛中被评为

    原始出处:http://www.yeeyan.com/articles/view/47933/16954

     

    1

    总冠军

    印度荷米斯国家公园(Hemis National Park),一头雪豹正隐蔽潜行。在美国摄影师史蒂芬·温特(Steve Winter)的这幅国家地理杂志获奖图片中,雪豹恰如其名。

    2008年10月30日,“暴风雪中的豹”在2008野生动物年度摄影家大赛中被评为所有组别最佳图片。这项赛事由伦敦自然史博物馆和BBC野生动物杂志举办。

    “这是我做过的最艰难的题材,因为山脉的海拔和险峻,”这位美国摄影师告诉国家地理,“夜里温度是零下30度(华氏温标)(摄氏温度约为零下34度,译者注)。”

    超过十个月的时间里,温特的14个“照相机陷进(camera traps)”拍摄了超过30,000张图像,以追踪这种濒危的大猫。

    野生的雪豹数量只剩下3500只左右。

    2

    “水下世界”组别冠军

    这张人与鲸鱼体型相映成趣的图片获得了本次大赛水下世界组别的冠军。

    图片是作者布莱恩·斯克里(Brian Skerry)受国家地理杂志委派前往新西兰奥克兰群岛附近拍摄的。那里有一个南脊美鲸“原生态种群”,用斯克里的话来说,在10年前才刚刚被发现。

    这位美国摄影师说他安排了助手毛利西奥·汉德勒(图中人)作为这头友好的70吨重庞然大物的诱饵。

    “这些鲸对我们很好奇。他们中的许多之前还从没有见过人类。”斯克里告诉国家地理新闻。

    3

    一个地球奖

    加蓬的一个非法野味市场上,一只黑疣猴正被烧烤待售。

    这张图片获得了“一个地球奖”(One Earth Award),该奖项“试图彰显出人类与自然世界间的相互作用”。

    “他们将皮毛烤掉,然后剥干净,整只完好地出售。”英国摄影师大卫·梅特兰解释道。

    图片拍摄于加蓬首都,利伯维尔。在那里海龟、鳄鱼、豪猪、羚羊还有其他保护动物被公开贩卖。

    “只有在我意识到这张图片多么震撼之后,”梅特兰说,“呆在那里变得让人十分苦恼。”

     

    4

    动物行为:其他动物”组别冠军

    一个实至名归的赢家,“僵局(Deadlock)”抓拍于伯利兹一个热带雨林的死亡之夜。

    根据地在英国的的大卫·梅特兰从午夜一直观察到凌晨三点,一只稀有的银瞬红眼蛙顽强地抗拒着,避免成为一条猫眼蛇的晚餐——结果尚未分晓。

    “我很想看到它们最终的去路,但我已经累趴了,”摄影师说,“青蛙一直在努力把蛇拉出来,但蛇就是不肯松口。”

    “这种青蛙极其罕见,给整个遭遇增添了古怪的色彩。”他说。

     

    5

    动物行为:哺乳动物”组别冠军

    法国摄影师西里尔·鲁沃索在坦桑尼亚贡贝国家公园的密林中追逐着捕猎中的黑猩猩的尖叫声——并拍下了这张2008野生动物年度摄影师大赛的获奖作品,奖项于10月30日在伦敦发布。

    中间那只处于统治地位的家伙,并不愿意分享他的半只野猪。这是一只31岁的雄性,唤作弗雷多,是他所在群体的领头猎手。

    “弗雷多是个战士,”鲁沃索说,“在80%的时间里是他抓住了猎物。”

    对于贡贝的黑猩猩来讲,像这样大的猎物是很少见的,他们的目标多是小猴子,鲁沃索说。

     

    6

    动物肖像”组别冠军

    “他要扑向我,然后跑掉,”Stefano Unterthiner说的就是这只黑冠短尾猿,“他总是到处游荡。”

    Unterthiner在印度尼西亚苏拉威岛上跟了一群猴子六个星期,由于总是穿着同样的衣服,因而猴子们都能认出他。

    据Unterthiner所说,这种稀有的猴类99%的时间都在森林里觅食,很少会到沙滩上探险。直到最近本地人还有将其作为圣诞节晚餐食物的传统,他补充说。

     

    7

    动物行为:鸟类”组别冠军

    波兰的冬天,一场白尾鹰之间的交锋在漫天飞雪中上演,也成就了这张获奖图片

    在发现铁路旁有只麋鹿尸体后,摄影师安东尼·卡斯普夏克等候了五个小时,直到一老一少两只大鸟飞下来,并在尸体上展开争斗。

    “那只老的,经验更丰富的鹰获胜了,迫使年幼的鹰等候了一个多小时后才有得吃。”卡斯普夏克说。

    展开全文
  • 动物识别yolo动物识别 动物检测

    千次阅读 2020-02-21 21:08:46
    深度学习动物识别 yolo动物识别 可以识别猫 狗等常见动物 自建数据集 源码交流加w x deeplearning_gogogo 识别率很高 远程运行好负责答疑有问题可以指导

    深度学习动物识别
    yolo动物识别
    可以识别猫 狗等常见动物
    自建数据集
    源码交流加w x
    deeplearning_gogogo
    识别率很高
    远程运行好负责答疑有问题可以指导
    在这里插入图片描述

    展开全文
  • 多类别动物图片分类任务(上) 在学习了大约2周的机器学习和深度学习的基础知识,并跑了十多个模型之后,老师给我布置了一项真正的任务,利用已经收集到的图片信息,构建并训练模型,一期目标使得精度达到84%,二期...

    多类别动物图片分类任务(上)

    在学习了大约2周的机器学习和深度学习的基础知识,并跑了十多个模型之后,老师给我布置了一项真正的实际任务:利用已经收集到的图片信息,构建并训练模型,一期目标使得精度达到84%,二期目标使得精度达到90%。
    一开始并没有认识到,真正的实际数据会和demo中最后的结果差距如此之大,使得自己消沉了一段时间,不过经过将近15天的努力,总算是完成了任务,亦有所收获。
    故,在此把我这段时间踩过的坑都一一标注出来,希望可以帮助到那些初次接触卷积神经网络的新人(虽然我也是啦)

    1. 观察数据
      拿到数据后,要做的第一件事绝不是直接建模(血的教训 ),而是观察数据的分布情况,在真正的实际任务中,数据往往不是你在猫狗大战这样的demo中那样,分布的那么均衡的。
      比如我这次的任务数据,总计30064张彩色图片,分为168类,而最少的类图片只有103张,最多的有1684张,差距非常大。
      解决方法:
      过采样是一个很好的处理手段。
    2. 建立一个简单的卷积神经网络
      无论你是否懂得如何利用已经与训练好的模型进行建模,自己写一个简单的卷积神经网络来测试下数据都是可行的。一般,我们采用2+2的形式来实现。
      实现代码:
    # 建立模型
    model = Sequential()
    # 这里使用卷积神经网络,传入100*100像素的彩色图片,传出时为94*94*32
    model.add(Conv2D(32, (7, 7), strides = (1, 1), name = 'conv0', input_shape = (100, 100, 3)))
    # 使用批标准化
    model.add(BatchNormalization(axis = 3, name = 'bn0'))
    # 激活函数为ReLU(线性整流函数)
    model.add(Activation('relu'))
    # 对于空间数据的最大池化
    model.add(MaxPooling2D((2, 2), name='max_pool'))
    model.add(Conv2D(64, (3, 3), strides = (1, 1), name="conv1"))
    model.add(Activation('relu'))
    # 对于空间数据的平均池化
    model.add(AveragePooling2D((3, 3), name='avg_pool'))
    
    model.add(Flatten())
    model.add(Dense(500, activation="relu", name='rl'))
    model.add(Dropout(0.5))
    model.add(Dense(y.shape[1], activation='softmax', name='sm'))
    # 编译模型
    model.compile(loss='categorical_crossentropy', optimizer="adam", metrics=['accuracy'])
    

    当然,在此之前我们要先处理图片数据和标签
    实现代码:

    train_df = pd.read_csv("input/train.csv")
    
    
    # 这个函数用来预处理图片数据,把图片转化为100*100像素
    # 的彩色图片,其中data是数据集,m是数据集中图片的数目,dataset是图片存放的目录
    def prepareImages(data, m, dataset):
        print("Preparing images")
        X_train = np.zeros((m, 100, 100, 3))
        count = 0     # 这个count用来记录图片处理的数目,函数中实现了每处理500张就通报一声,其实没啥用
    
        for fig in data['Image']:
            # fig读到的是Image这一特征下的具体数据,也就是图片名(一个接一个的)
            img = image.load_img("input/" + dataset + "/" + fig, target_size=(100, 100, 3))
            x = image.img_to_array(img)
            # preprocess_input()函数完成数据预处理的工作
            x = preprocess_input(x)
            # 然后把处理过后的图片信息记录到x_train中去
            X_train[count] = x
            if count % 500 == 0:
                print("Processing image: ", count + 1, ", ", fig)
            count += 1
    
        return X_train
    
    
    # 这个函数用来处理标签,返回两个输出,y和label_encoder,
    # 前者是one-hot编码形式,如:[1;2;3]会编码成[1 0 0; 0 1 0; 0 0 1]。
    # 后者是分组的组号,如:[1;2;2;4;2]会编码成[1;2;2;3;2]。
    def prepare_labels(y):
        values = np.array(y)
        # 为标签分组,并用label_encoder记录,为以后测试集分好组之后重新从组号转变成对应的描述做准备
        label_encoder = LabelEncoder()
        integer_encoded = label_encoder.fit_transform(values)
        # print(integer_encoded)
    
        # 将分好组的标签转化为one-hot编码,并用y记录
        onehot_encoder = OneHotEncoder(sparse=False)
        integer_encoded = integer_encoded.reshape(len(integer_encoded), 1)
        onehot_encoded = onehot_encoder.fit_transform(integer_encoded)
        # print(onehot_encoded)
    
        y = onehot_encoded
    
        return y, label_encoder
    
    # 处理训练数据,并归一化
    X = prepareImages(train_df, train_df.shape[0], "train")
    X /= 255
    # 处理标签
    y, label_encoder = prepare_labels(train_df['Id'])
    

    值得注意的是,此时的图片数据分为两个文件夹,train和valication,其信息被写在两个.csv文件中。
    而跑起来之后,我们会发现,最终的验证准确率非常低,仅仅有23.31%

    1. 确定部分参数
      1).在之前观察原始数据的过程中,我发现问题不仅仅是图片的分布不均匀,不同的图片的分辨率也截然不同,最小的图片大约有250 * 400,最大的甚至达到4000 * 4250,这就使得将图片以怎样的大小传入网络显得尤为重要。
      经过多次试验,最终在平衡了训练时间和验证集准确率之后,选定图片统一裁定到356*356。
      2).而原始图片决定以7:3的比例,随机分配给train和valication。
      3).batch_size的选择是一门艺术:
      batch_size 太小,算法难以收敛。
      随着 batch_size 增大,处理相同数据量的速度越快。
      随着 batch_size 增大,达到相同精度所需要的 epoch 数量越来越多。
      由于上述两种因素的矛盾,batch_size 增大到某个时候,达到时间上的最优。
      由于最终收敛精度会陷入不同的局部极值,因此batch_size 增大到某些时候,达到最终收敛精度上的最优。
      经过多次试验,最终选择batch_size为128。
      此处,一般选择2^n的大小,据说是可以从某种程度上提高显卡对数据的处理速度。

    一些确定的参数

    class_num = 168
    num_train_sample = 20967
    num_validation_sample = 9097
    img_width = 356
    img_height = 356
    epochs = 40
    batch_size = 128
    

    至此,第一阶段结束。

    1. 开始使用VGG16进行预训练模型
      预训练网络(pretrained network)是一个保存好的网络,之前已在大型数据集(通常是大规模图像分类任务)上训练好。如果这个原始数据集足够大且足够通用,那么预训练网络学到的特征的空间层次结构可以有效地作为视觉世界的通用模型,因此这些特征可用于各种不同的计算机视觉问题,即使这些新问题涉及的类别和原始任务完全不同。
      本次任务,我首先选用了VGG16来进行预训练。
      实现代码
    # 实例化一个VGG16卷积基
    base_model = VGG16(weights='imagenet',
                       include_top=False,
                       input_shape=(img_width, img_height, 3))
    
    # 冻结卷积基
    base_model.trainable = False
    # 自定义顶层网络
    top_model = Sequential()
    top_model.add(layers.Flatten(input_shape=base_model.output_shape[1:]))
    top_model.add(layers.Dense(4096, activation='relu'))
    top_model.add(layers.Dropout(0.5))
    top_model.add(layers.Dense(1024, activation='relu'))
    top_model.add(layers.Dropout(0.5))
    top_model.add(layers.Dense(class_num, activation='softmax'))
    
    # 实例化这个模型
    model = Model(inputs=base_model.input,
                  outputs=top_model(base_model.output))
    # 编译模型
    model.compile(loss='categorical_crossentropy',
                  optimizer=optimizers.RMSprop(lr=2e-5),
                  metrics=['acc'])
    

    训练模型后,验证集的准确率只有54.52%

    1. 一些简单的调整
      很明显,如此低的准确率完全无法满足任务的要求,我们需要对模型进行一定的调整,首先,要对数据进行预处理,此处为归一化。
      代码实现
    # 可以对训练集进行数据增强处理
    train_datagen = ImageDataGenerator(rescale=1./255)
    
    
    # 测试集不许动,归一化完了之后不许动
    validation_datagen = ImageDataGenerator(rescale=1./255)
    

    训练模型后,验证集的准确率上涨到60.17%。
    进一步,我们可以调整学习率lr,经过多次调试,最终我们将初试学习率调整为lr = 1e-5。
    训练模型后,验证集的准确率上涨到63.66%。
    可以的话,我们可以在回调函数中加入对学习率的调整。
    代码实现

    # 回调函数用来监控val_loss,一旦超过5次迭代没有下降,降低学习率
    callback_list = [
        keras.callbacks.ReduceLROnPlateau(
            monitor='val_loss',
            factor=0.1,
            patience=5,
            verbose=1,
        )
    ]
    

    训练模型后,验证集的准确率上涨到66.34%。
    至此,我们将自己能做的一些简单的调整执行完毕,很显然,不仅最终的结果依旧不能满足任务的要求,而且由于VGG16网络的特点,需要训练大量的参数,不仅让整个网路臃肿,而且训练效率很低。
    故而,我选择换一种预训练网络,这里,就让我们请出本次任务的最大功臣:ResNet50。

    有关ResNet50的内容太多,我们下一期慢慢讲

    关于深度学习中的batch_size
    https://www.cnblogs.com/gengyi/p/9853664.html

    展开全文
  • 多类别动物图片分类任务(中) 在前半部分,我们已经完成了前两大步,并决定使用ResNet50预训练网络来训练模型。那么接下来,就让我们引入keras中已经封装好的ResNet50预训练网络参数。 ResNet50的引入 代码...
  • 动物园管理系统

    千次阅读 2019-07-17 22:44:29
    主界面上面的动物图片是一个轮播图,且点击后可以播放对应的视频. 下面放的是一张地图,点击地图可以进地图界面 然后点击地图,会弹出对应的窗口,且背景会变为灰色 然后是其他的一些界面,下面这个也是播放...
  • Unity 3D VR项目 动物园

    2019-12-27 15:17:45
    手机端拍摄相应动物图片,屏幕显示相应动物(熊、狮子、大象、犀牛、斑马) 动物习性介绍(语音播报,扫描图片成功后自动播放,图片离开扫描自动停止) 触摸屏幕交互(屏幕点击四个按钮使得该动物...
  • 还记得上次我们分享的超棒动物瞬间抓拍摄影作品吧,今天我们这里继续分享一套超棒的野生动物摄影作品,绝对不容错过! 所有的图片都是在野生环境中拍摄制作的,整套图片非常的真实,也不乏幽默,希望大家喜欢! ...
  • 软件开发之动物庄园

    千次阅读 2012-06-15 14:53:07
    每一软件开发团队中的不同成员都拥有不同的角色、承担不同的责任,从而... 在一个神奇的国度里生活着许多动物,其中有猪,鸡和鹦鹉。  它们每天搞头脑风暴,琢磨如何创业,最后鹦鹉提议它们合伙开一个早餐店。具
  • 动物世界》

    2016-10-09 13:28:39
    2010-06-05/Lexlin刚看了集《动物世界》,虽然所涉及的动物都见...以人作参考,人的眼睛对时间敏感度不高,这就是为什么每秒24幅图片,人就会看到是流畅的画面。苍蝇是 复眼,灵敏度却是人类的10倍以上,以苍蝇的角度来
  • 可爱的小动物

    2006-05-12 22:40:00
    呵呵,收藏了一些很可爱的动物图片,发上来大家看看.
  • 可以识别植物,动物,菜品,商标,车型等等 外出旅行,看见很美丽的植物,却不知道名字,你只需要拿出手机,对植物进行拍照,然后就能识别出植物名字了,识别率很高     喜欢的朋友可以去下载 ...
  • 大爱的图片

    2016-02-17 10:49:44
    从Bing首页收集的各种动物图片——大爱的图片(^^)
  • 导语:面对目前愈加严峻的野生动物生态系统,DeepMind开发了一个新的机器学习系统来为研究人员们提供更高效的解决方案。 智东西11月6日消息,前段时间,DeepMind与生态学家和环保人士合作开发了一个新的机器学习...
  • 东京丛林 扮演动物的游戏

    千次阅读 2014-10-14 16:13:43
    《东京丛林》是一款非常有创意的生存冒险游戏,整个游戏世界都是由动物组成的。下面我们将为大家介绍游戏的玩法,其实你真的可以扮演交配的动物! 背景介绍 《东京丛林》讲诉了在21世纪人类放弃地球后,留下的...
  • 代码运行后,点一个动物会出现两种声音,不管点的是猫还是狗 ![图片说明](https://img-ask.csdn.net/upload/201904/20/1555747542_985842.png)
  • 浙江工商大学校园里绿树成荫,环境非常舒适,因此也引来一批动物朋友来此居住。 童心未泯的redraiment就经常带些碎面包什么的去广场喂鸽子和兔子,并和它们玩耍。一点也不像大学生,还是一副老不正经的样子,呵呵...
  • (优视)合作发布的移动搜索引擎品牌,到2014年7月为止在产品上,神马已经开发出了App搜索、购物搜索、小说搜索三个针对移动搜索刚需的特色功能,此外,团队正在加紧推动语音搜索、图片搜索等功能的创新。...
  • 基于Python的动物识别专家系统

    千次阅读 2020-12-21 13:23:55
    基于产生式规则的动物识别系统——识别虎、金钱豹、斑马、长颈鹿、鸵鸟、企鹅、信天翁等七种动物的产生式系统。
  • 合理使用百度开放平台(一)---动物识别

    千次阅读 多人点赞 2020-11-18 22:55:38
    这里写目录标题动物识别创建项目百度AI开放平台申请应用获取 Access Token发送请求第一步先上传图片文件压缩图片图片转base64,去头,编码提交数据处理数据测试写的完整代码HTML版本 本文介绍如何接入百度图像识别 ...
  • 百度图像识别明星或动物

    千次阅读 2020-10-13 10:05:09
    图像识别明星或动物 using python identifying stars or animals Python应用百度AI图像识别1.0 1、准备工作:安装百度AI为python开发的API SDK模块 在系统命令控制行下使用命令在线安装 pip install baidu-aip 2、...
  • ![图片说明](https://img-ask.csdn.net/upload/201807/29/1532842581_979568.png) 类似以上图片的效果
  • 该作品原本是阿姆斯特丹设计师 Bryan James用纯CSS技术表现出30种动物的碎片拼图形象,这30动物,非常的可爱,但不幸的是,它们都是濒临灭绝的动物,它们的生存情况正面临着危机。 你能看到它们在挣扎,它们在反抗…...
  • 一、基础知识库 ...哺乳动物 反刍动物 有蹄类动物 - 哺乳动物 食肉动物 黄褐色 身上有暗斑点 金钱豹 * 哺乳动物 食肉动物 黄褐色 身上有黑色条纹 虎 * 有蹄类动物 长脖子 有长腿 身上有暗...
  • 2008感动中国十大动物

    千次阅读 2008-12-19 13:59:00
    2008感动中国十大动物Ackarlix “八戒,为师对不住你,没想到你比悟空还能承压。你生动地诠释了“不抛弃不放弃”的精神,并成为中国企业家们渡过经济寒冬时,争先恐后高举的一面旗帜。”17日下午,网友在红网论坛抛...
  • 这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、...
  • 拼图游戏之动物闯关

    千次阅读 2012-11-05 21:54:11
    拼图游戏之动物闯关 这是一款以动物为题材的拼图游戏,包含各种难度、诸多关卡。适合各个人群,可以帮助人们认识更多动物。 已经通过审核,欢迎大家试完。...--------------
  • Animals-10 数据集下载,十种动物

    千次阅读 2020-03-19 09:04:36
    十种动物 狗,猫,马,大象,蝴蝶,鸡,牛,羊,蜘蛛,松鼠 每个种类一两千图片, 也有四五千的。 格式.jpeg 官方下载地址:https://www.kaggle.com/alessiocorrado99/animals10 也可以微信搜索:...
  • CSS3做动物走路效果

    千次阅读 2016-12-21 14:17:22
    CSS3做动物走路效果 采用的CSS3切换序列帧做 核心代码如下 .game .role { width: 60px; height: 86px; position: absolute; top: -83px; background-image: url(../images/role5.png); ...
  • CNN简单实战:pytorch搭建CNN对猫狗图片进行分类

    万次阅读 热门讨论 2020-08-21 20:04:44
    上一篇文章介绍了使用pytorch的Dataset和Dataloader处理图片数据,现在就用处理好的数据对搭建的CNN进行训练以及测试

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 24,564
精华内容 9,825
关键字:

动物图片大全