2-08 Pythonの変更はこれで終了（認識率95%台） ●変更後のPythonを走らせる 　ここで入力画像をRGB565にしてビット数を削減、ここでリミッタを設けて層間データのビット数を削減しました。これらの影響でどれくらい認識率が劣化するか見てみましょう。 　図2‐40は変更したPythonコードをJupyter Labで走らせた結果です。認識率は95.954%となり、小数の場合は98%台→整数化後は97%台→更に95％台と若干落ちました。Pythonの変更はこれで終了です。 図2-40　95％台の認識率で先に進む ●赤色でActual, Predと書かれた2枚 　最後に画像が25枚表示され、それぞれの正解（Actual）と推論（Pred）ラベルが書かれています。25枚のうち2枚は不正解（赤色）であることが分かります（図2‐41）。 図2‐41　2枚不正解（赤色） ●「認識率95％」を組み込むとこんなものかと実感できる 　この状態で「FPGA＋カメラモジュール」に実装すれば、「認識率95％台のリアルタイム道路標識認識装置」となります（こんな感じになります）。 ●演算の最終結果を見てみる 　lay6out_sample_00.csv（6層目、最終出力）が生成されているので見てみましょう。全結合層なので出力チャネルは一つ、要素数は43になります。 　最大値は293、左から26番目なので、推論結果は26番です。 図2‐42　６層目の出力。これだけ正の数。後は負 ●CSVファイルは57番目の画像を入力した際の値 　入力画像はTestフォルダの00057.pngです（図2‐41の左上の画像）。図1‐42にあるように26.pngは信号機の標識なので正解していることが分かります。 ●以上のようにビット数削減したPythonコードをここに置きます。正解率は95％台。main_pred.pyを実行すると以下のファイルが生成されます 入力画像１枚のデータ Rin_int.csv, Gin_int.csv, Bin_int.csv 入力画像１枚目の中間層出力 lay1out_00...15, lay2out_00...31, lay3out_00...63, lay4out_00...127, lay5out 入力画像２０枚の最終層出力 lay6out_sample_00...19 入力画像２０枚のデータ RGB565.csv （この中に20枚ぶんの画像データ、RGBを16ビットにまとめてある） 最初のページへ 目次へ戻る