# 基于pytorch的颜色识别方案

**Repository Path**: blue-net-vision/ColorDetector-base-on-pytorch

## Basic Information

- **Project Name**: 基于pytorch的颜色识别方案
- **Description**: 为了解决hsv颜色识别方案的低鲁棒性，决定开发一个基于深度学习的颜色识别方案，从而提高视觉的鲁棒性
- **Primary Language**: Python
- **License**: GPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2024-07-28
- **Last Updated**: 2025-05-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于pytorch的颜色识别

本项目是针对工创比赛做的一次技术更新，希望构建一个神经网络代替传统的hsv颜色识别方法，以提高识别的准确率和鲁棒性。

## 基本思想

工创物料的识别过程中给于定位点，代码会不断预测这个定位点内的颜色(通过神经网络模型)

## 实现思路

只需要训练一个可以快速分辨**红绿蓝白**的模型即可。然后向模型输入定位点周围的图像，即可预测出定位点周围的颜色(四分类问题)

## 文件夹规范

- datas: 存放数据集，包含
  - train: 训练集，包含
    - img: 图片
    - label: 标签
  - test: 测试集，包含
    - img: 图片
    - label: 标签
- model: 存放网络模型
- utils: 存放工具函数，包含文件
  - dataset.py: 数据集类
- detect.py: 识别函数
- train.py: 训练代码
- test.py: 测试代码
- main.py: 主文件

特殊的，在`DataSet2`设计中，允许使用文件夹作为标签，如下所示

- datas: 存放数据集，包含
  - train: 训练集，包含
    - R: 标签名
      - img: 图片
    - G: 标签名
      - img: 图片
    - B: 标签名
      - img: 图片
    - W: 标签名
      - img: 图片
  - test: 测试集，包含
    - R: 标签名
      - img: 图片
    - G: 标签名
      - img: 图片
    - B: 标签名
      - img: 图片
    - W: 标签名
      - img: 图片
- model: 存放网络模型
- utils: 存放工具函数，包含文件
  - dataset.py: 数据集类
- detect.py: 识别函数
- train.py: 训练代码
- test.py: 测试代码
- main.py: 主文件

## 说明

在仓库中会包含一个训练好的模型，这个模型是目前训练的最好的模型，使用的时候将文件名改为`best_model.pth`即可

为了项目有较高的可移植性，对于不同的项目，只需要修改主文件的逻辑即可，这个项目只包含了一个简单的颜色识别模型，可以根据自己的需求修改

## 使用方法

**注意**:
pytorch的安装需要**64位系统**，安装树莓派系统或者Ubuntu的时候需要安装**64位系统**，否则无法安装pytorch

在具有cuda的Windows电脑环境下，建议使用`conda`环境，直接在命令行输入

```shell
conda env create -f requirements.yml
```

而在Linux或者没有cuda环境的Windows电脑上，可以使用`pip`安装

```shell
pip install -r requirements.txt
```

主文件中使用了与树莓派远程图传的代码，并且`main.py`部署在树莓派中，在树莓派上运行了`main.py`后，在本地电脑运行Debug.py文件，将查看末尾的注释，启动相关代码，即可在树莓派上运行深度学习，在本地电脑查看图像