用Python 卷积神经网络来实现是否佩戴安全帽图片检测 并显示出图片结果和准确度

在Python中使用卷积神经网络（Convolutional Neural Network, CNN）进行安全帽佩戴识别是一种常见的计算机视觉任务，常用于图像分类问题。我们可以采用深度学习框架如TensorFlow或PyTorch来构建模型。

首先，你需要准备一个包含佩戴和未佩戴安全帽图片的数据集。数据预处理包括图像归一化、大小调整等步骤。然后，可以按照以下步骤操作：

1. **数据加载与预处理**:
- 导入必要的库，如`tensorflow.keras`，并加载数据集。
- 使用`ImageDataGenerator`对数据进行增强，如旋转、缩放等。

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255, rotation_range=20, shear_range=0.2)
train_generator = train_datagen.flow_from_directory(directory='train_dir', target_size=(150, 150), class_mode='binary')

2. **创建CNN模型**:
- 使用`tf.keras.Sequential`创建一个简单的CNN结构，通常包含卷积层(Conv2D)、池化层(MaxPooling2D)、Dropout（防止过拟合）以及全连接层(Dense)。

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

3. **编译模型**:
- 设置损失函数（如binary_crossentropy）、优化器（如Adam）和评价指标（如accuracy）。

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

4. **训练模型**:
- 使用训练数据和生成器训练模型。

history = model.fit(train_generator, epochs=10, validation_data=val_generator)

5. **预测与展示结果**:
- 对新图片应用模型进行预测，并可视化结果（例如，将概率大于0.5视为佩戴安全帽）。

prediction = model.predict(new_image)
if prediction > 0.5:
    print("戴有安全帽")
else:
    print("未戴安全帽")

对于准确度，你可以从`history.history`中获取训练集和验证集的精度值。