java傻瓜ai框架，无需任何算法知识，通过简单的api调用就可以实现 常用的图像内物体的识别，定位等图像ai服务

package org.wlld; import com.alibaba.fastjson.JSON; import com.alibaba.fastjson.JSONObject; import org.wlld.MatrixTools.Matrix; import org.wlld.config.StudyPattern; import org.wlld.imageRecognition.Operation; import org.wlld.imageRecognition.Picture; import org.wlld.imageRecognition.TempleConfig; import org.wlld.imageRecognition.border.Frame; import org.wlld.imageRecognition.border.FrameBody; import org.wlld.nerveEntity.ModelParameter; import java.util.HashMap; import java.util.List; import java.util.Map; /** * @author lidapeng * @description 测试入口类 * @date 11:35 上午 2020/1/18 */ public class HelloWorld { public static void main(String[] args) throws Exception { test(); //testPic(); //testModel(); } public static void test() throws Exception { Picture picture = new Picture(); TempleConfig templeConfig = new TempleConfig(); //templeConfig.setHavePosition(true); // Frame frame = new Frame(); // frame.setWidth(3024); // frame.setHeight(4032); // frame.setLengthHeight(100); // frame.setLengthWidth(100); // templeConfig.setFrame(frame); ModelParameter modelParameter = JSONObject.parseObject(ModelData.DATA, ModelParameter.class); templeConfig.init(StudyPattern.Accuracy_Pattern, true, 1076, 1436, 1); templeConfig.insertModel(modelParameter); Operation operation = new Operation(templeConfig); for (int i = 1; i < 100; i++) {//faster rcnn神经网络学习 System.out.println("study==" + i); //读取本地URL地址图片,并转化成矩阵 Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png"); Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); //将图像矩阵和标注加入进行学习，Accuracy_Pattern 模式 进行第二次学习 //第二次学习的时候，第三个参数必须是 true operation.learning(right, 1, true); operation.learning(wrong, 0, true); } // //精准模式在全部学习结束的时候一定要使用此方法，速度模式不要调用此方法 templeConfig.startLvq();//原型向量量化 // templeConfig.boxStudy();//边框回归 // for (int j = 1; j < 2; j++) { // Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + j + ".png"); // Map<Integer, List<FrameBody>> map = operation.lookWithPosition(right, j); // System.out.println("j===" + j); // } //测试集图片,进行识别测试 // for (int j = 121; j < 140; j++) { // Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + j + ".png"); // Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + j + ".png"); // int rightId = operation.toSee(right); // int wrongId = operation.toSee(wrong); // System.out.println("该图是菜单：" + rightId); // System.out.println("该图是桌子:" + wrongId); // } } public static void testPic() throws Exception { //测试SPEED模式学习过程 //初始化图像转矩阵类:作用就是说将一个图片文件转化为矩阵类 Picture picture = new Picture(); //初始化配置模板类,设置模式为SPEED_PATTERN模式 即速度模式 TempleConfig templeConfig = getTemple(true, StudyPattern.Speed_Pattern, false); //初始化计算类，并将配置模版和输出回调类载入计算类 //运算类有两个构造一个是配置回调类，一个是不配置回调类 //若使用定位功能，则无需配置回调类，若不启用，则要配置回调类 //回调类要实现OutBack接口中的方法 Ma ma = new Ma(); Operation operation = new Operation(templeConfig, ma); //标注主键为 第几种分类，值为标注 1 是TRUE 0是FALSE //给训练图像进行标注，健是分类的ID,对应的就是输出结果的ID值，值要么写0要么写1 // 1就是 是这种分类，0就是不是这种分类 Map<Integer, Double> rightTagging = new HashMap<>();//分类标注 Map<Integer, Double> wrongTagging = new HashMap<>();//分类标注 rightTagging.put(1, 1.0); wrongTagging.put(1, 0.0); // 例如上面的标注了 只有一种分类，第一个MAP是true标注，第二个map是false标注 for (int i = 1; i < 1000; i++) { System.out.println("开始学习1==" + i); //读取本地URL地址图片(适用于电脑本地图片),并转化成矩阵 //注意学习图片至少要一千张+同物体的不同图片，学习的越多就越准，拿同样的图片反复循环学习是没用的 //picture.getImageMatrixByIo(InputStream) 另外一个api,是通过字节流读取图片矩阵,适用于网络传输的图片 Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/c/c" + i + ".png"); Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b" + i + ".png"); //将图像矩阵和标注加入进行学习，正确的图片配置正确的标注true，错误的图片配置错误的标注false //right这个矩阵是 正确的图片 所以要配置上面正确的标注1.0 学习告诉计算机这个图片是正确的 operation.study(right, rightTagging); //wrong这个矩阵是错误的图片，所以要配置上面错误的标注0.0 学习 告诉计算机这个图片是错误的 operation.study(wrong, wrongTagging); } Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png"); Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png"); ma.setNub(1); operation.look(wrong, 3); ma.setNub(0); operation.look(right, 2); //如果启用物体坐标定位，则在学习结束的时候，一定要执行boxStudy方法 //若不启用，则请不要使用，否则会报错 //templeConfig.boxStudy(); //获取训练结束的模型参数，提取出来转化成JSON保存数据库，下次服务启动时不用学习 //直接将模型参数注入 //获取模型MODLE 这个模型就是我们程序学习的目的，学习结束后我们要拿到这个模型 ModelParameter modelParameter = templeConfig.getModel(); //将模型MODEL转化成JSON 字符串 保存到数据库 留待下次服务启动的时候，识别提取用 String model = JSON.toJSONString(modelParameter); System.out.println(model); //以上就是SPEED模式下的学习全过程，识别的过程就是再次初始化，将学习结果注入之后使用 //识别过程 //将从数据库取出的JSON字符串转化为模型MODEL // ModelParameter modelParameter1 = JSONObject.parseObject(model, ModelParameter.class); // //初始化模型配置 // TempleConfig templeConfig1 = getTemple(false, StudyPattern.Speed_Pattern, false); // //注入之前学习结果的模型MODEL到配置模版里面，将学习结果注入就可以使用识别了 // templeConfig1.insertModel(modelParameter1); // //将配置模板配置到运算类 // Operation operation1 = new Operation(templeConfig1); // //获取本地图片字节码转化成降纬后的灰度矩阵 // Matrix right = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/test/a101.png"); // Matrix wrong = picture.getImageMatrixByLocal("/Users/lidapeng/Desktop/myDocment/b/b1000.png"); // //进行图像识别 参数�