hsv_1

Former-commit-id: 57a8fb7799ea7543b4af1ea49626346d50546f82

Picture_Train/train_2.py

@@ -0,0 +1,118 @@
+
+import numpy as np
+from sklearn.ensemble import RandomForestClassifier
+from typing import Dict, List, Tuple
+import joblib
+
+def prepare_data(data: Dict[str, List[np.ndarray]]) -> Tuple[np.ndarray, np.ndarray]:
+    """
+    将dict[str, list[ndarray]]格式的数据转换为模型可用的特征矩阵和标签向量
+    
+    参数:
+    data: 格式为 dict[str, list[ndarray]] 的数据，其中键为类别名，值为对应类别的特征数组列表
+    
+    返回:
+    X: 特征矩阵
+    y: 标签向量
+    """
+    features = []
+    labels = []
+    
+    # 为每个类别分配一个数字标签
+    label_map = {class_name: i for i, class_name in enumerate(data.keys())}
+    
+    for class_name, arrays_list in data.items():
+        label = label_map[class_name]
+        for arr in arrays_list:
+            # 处理每个数组中的每个样本
+            features.append(np.array(arr))
+            labels.append(label)
+            # if len(arr.shape) > 1:
+            #     for sample in arr:
+            #         features.append(sample)
+            #         labels.append(label)
+            # else:
+            #     # 处理单个样本的情况
+            #     features.append(arr)
+            #     labels.append(label)
+    
+    return np.array(features), np.array(labels)
+
+def train_model(data: Dict[str, List[np.ndarray]]):
+    """
+    训练分类模型
+    
+    参数:
+    data: 训练数据，格式为 dict[str, list[ndarray]]
+    
+    返回:
+    训练好的模型和标签映射字典
+    """
+    X, y = prepare_data(data)
+    
+    # 创建并训练模型
+    model = RandomForestClassifier(n_estimators=100, random_state=42)
+    model.fit(X, y)
+    
+    # 创建逆向映射，用于将数字标签转回类别名
+    label_map = {i: class_name for i, class_name in enumerate(data.keys())}
+    
+    return model, label_map
+
+def predict(model, label_map: Dict[int, str], val_data: Dict[str, List[np.ndarray]]) -> Dict[str, List[List[str]]]:
+    """
+    使用训练好的模型对验证数据进行预测
+    
+    参数:
+    model: 训练好的模型
+    label_map: 标签映射字典，用于将数字标签转换回类别名
+    val_data: 验证数据，格式为 dict[str, list[ndarray]]
+    
+    返回:
+    预测结果字典，格式为 dict[str, list[list[str]]]，表示每个输入数组中样本的预测类别
+    """
+    results = {}
+    
+    suc = 0
+    cnt = 0
+    for class_name, arrays_list in val_data.items():
+        class_predictions = []
+        for arr in arrays_list:
+            # 确保数据格式正确
+            arr = np.array(arr)
+            cnt+=1
+            if len(arr.shape) == 1:
+                arr = arr.reshape(1, -1)
+            
+            # 进行预测并转换为类别名
+            pred_labels = model.predict(arr)
+            pred_classes = [label_map[label] for label in pred_labels]
+            if len(pred_classes) > 1:continue
+            if class_name==pred_classes[0]:
+                suc+=1
+            # class_predictions.append(pred_classes)
+        
+        results[class_name] = class_predictions
+    
+    return suc/cnt
+
+if __name__ == "__main__":
+    exit()
+    # 训练模型
+    model, label_map = train_model(d)
+    print("训练完成")
+    joblib.dump(model, "model.pkl")
+    
+    # 在验证数据上进行预测
+    # predictions = predict(model, label_map, val)
+    
+    # 输出预测结果
+    # print("预测结果:")
+    # for class_name, class_preds in predictions.items():
+    #     print(f"{class_name}:")
+    #     for i, arr_preds in enumerate(class_preds):
+    #         print(f"  数组 {i}: {arr_preds}")
+    
+    # 输出模型性能评估
+    # X_train, y_train = prepare_data(val)
+    # print(f"\n训练集准确率: {model.score(X_train, y_train):.4f}")