1. 数据准备

• 数据集：该数据集包含了大量标注好的交通标志图片，每类标志都有不同的样本。
• 数据预处理：图像需要进行一些基本的预处理，如调整大小、归一化等，以适应ResNet18的输入要求。

2. 网络设计

• 使用MATLAB自带的深度学习工具箱，可以直接加载ResNet18模型。ResNet18是一个包含18层的卷积神经网络，适用于图像分类任务。
• 可以加载预训练的ResNet18模型，并根据交通标志数据集进行微调（fine-tuning）。微调过程中，将预训练的ResNet18模型的前几层保持不变，只修改最后的全连接层，以适应交通标志分类。

3. 训练过程

• 划分数据集：将数据集分为训练集、验证集和测试集，通常按照80%：10%：10%的比例进行划分。
• 定义训练选项：设置学习率、批量大小、训练轮次等参数。MATLAB的trainingOptions函数可以用于设置这些超参数。
• 训练模型：使用trainNetwork函数对模型进行训练，调整学习率等超参数，确保模型能够收敛。

• 
  
  clc
  clear 
  close all
  % 读取数据
  load('images.mat')
  rng(1)
  % 选取部分数据可视化 前20个
  figure
  for i=1:1:20
      subplot(4,5,i);
      imshow(images(:,:,:,(i-1)*64+7))
  end
  
  
  [M,N] = size(images(:,:,1));%图像大小
  Y = categorical(labels');                       % 标签的数据类型为categorical
  X = images;
  idx = randperm(size(images,4));   % 产生一个和数据个数一致的随机数序列
  num_train = round(0.8*length(X)); % 训练集个数，0.8表示全部数据中随机选取50%作为训练集
  
   
  % 训练集和测试集数据
  X_train = X(:,:,:,idx(1:num_train));
  X_test = X(:,:,:,idx(num_train+1:end));  %这里假设，全部数据中除了
   
  % 训练集和测试集标签
  Y_train = Y(idx(1:num_train),:);
  Y_test = Y(idx(num_train+1:end),:);
  unique(labels)
  
  %% 定义网络层
  %训练网络
  layers = resnet18Layers();
  figure
  plot(layers)
  % options = trainingOptions("sgdm", ...
  %     InitialLearnRate=0.001, ...
  %     LearnRateSchedule="piecewise", ...
  %     L2Regularization=1.0000e-04, ...
  %     MaxEpochs=20, ...
  %     MiniBatchSize=16, ...
  %     ValidationFrequency=20, ...
  %     Plots="training-progress", ...
  %     Metrics="accuracy");
  options = trainingOptions('sgdm', ...      % Adam 梯度下降算法
      'MaxEpochs',20, ...                  % 最大迭代次数 500
      'MiniBatchSize',50, ...              % 批量大小 512
      'InitialLearnRate', 5e-4, ...          % 初始学习率为 0.0005
      'LearnRateSchedule', 'piecewise', ...  % 学习率下降
      'LearnRateDropFactor', 0.1, ...        % 学习率下降因子 0.1
      'LearnRateDropPeriod', 400, ...        % 经过 400 次训练后 学习率为 0.001 * 0.1
      'L2Regularization', 0.0001, ...
      'Shuffle', 'every-epoch', ...          % 打乱数据集
      'Plots', 'training-progress', ...      % 画出曲线
      'Verbose', false);
  net_cnn = trainNetwork(X_train,Y_train,layers,options);
  
  
  % 测试
  testLabel = classify(net_cnn,X_test);
  precision = sum(testLabel==Y_test)/numel(testLabel);
  disp(['测试集分类准确率为',num2str(precision*100),'%'])
  
  save resnet18_checkpoints.mat net_cnn
  
  
  %%　
  %% 混淆矩阵
  
  fig = figure;
  cm = confusionchart(Y_test,testLabel,'RowSummary','row-normalized','ColumnSummary','column-normalized');
  
  fig_Position = fig.Position;
  fig_Position(3) = fig_Position(3)*1.5;
  fig.Position = fig_Position;
  
  
  
  
  
  

4. 模型评估

• 训练完成后，使用验证集对模型进行评估，查看分类准确率、混淆矩阵等指标。
• 对测试集进行测试，确保模型的泛化能力。

5. 交通标志识别

• 使用训练好的模型对新的交通标志图像进行分类预测。可以使用classify函数对图像进行预测，得到该图像属于哪个交通标志类别。
• 
• 

6. 代码获取