Pytorch实战教程（二十八）

二十八）"/>

Pytorch实战教程（二十八）

0. 前言
在道路交通场景中，交通标志识别作为驾驶辅助系统与无人驾驶车辆中不可缺少的技术，为车辆行驶中提供了安全保障。在道路上行驶的车辆，道路周围的环境包括许多重要的交通标志信息，根据交通标志信息在道路上做出正确的驾驶行为，通常能够避免发生交通事故。交通标志识别可以检测并识别当前行驶道路上的交通标志，然后得出有关道路的必要信息。
但交通标志会受到车辆的运动状态、光照以及遮挡等环境因素的影响，因此如何使车辆在道路交通中快速准确地帮助驾驶员识别交通标志已经成为智能交通领域的热点问题之一。鉴于交通标志识别在自动驾驶等应用中具有重要作用，在节中，我们将学习使用卷积神经网络实现交通标志识别。

1. 交通标志识别
1.1 数据集介绍
德国交通标志识别基准 (German Traffic Sign Recognition Benchmark, GTSRB) 是高级驾驶辅助系统和自动驾驶领域的交通标志图像分类基准。其中共包含 43 种不同类别的交通标志。可以在官方网页中下载相关数据集。
每张图片包含一个交通标志，图像包含实际交通标志周围的环境像素，大约为交通标志尺寸的 10% (至少为 5 个像素)，图像以 PPM 格式存储，图像尺寸在 15x15 到 250x250 像素之间。

1.2 数据增强和批归一化
在介绍神经网络时，我们已经了解了利用数据增强可以提高模型准确性。在现实世界中，我们会遇到具有不同特征的图像，例如，某些图像可能更亮，某些图像中的感兴趣对象可能在图像边缘附近，而某些图像可能较为模糊。在本节中，我们将介绍如何使用数据增强和批归一化提高模型的准确率。
为了了解数据增强和批归一化对模型性能的影响，我们将使用交通标志数据集训练交通标志识别模型，并评估以下三种情况：

不使用批归一化和数据增强
只使用批归一化&