import onnxruntime as ort
import numpy as np
import scipy.special
from PIL import Image
# 预处理图像
def preprocess_image(image, resize_size=256, crop_size=224, mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]):
    image = image.resize((resize_size, resize_size), Image.BILINEAR)
    w, h = image.size
    left = (w - crop_size) / 2
    top = (h - crop_size) / 2
    image = image.crop((left, top, left + crop_size, top + crop_size))
    image = np.array(image).astype(np.float32)
    image = image / 255.0
    image = (image - mean) / std
    image = np.transpose(image, (2, 0, 1))
    image = image.reshape((1,) + image.shape)
    return image
# 加载模型  2分
session = ort.InferenceSession('flower-detection.onnx')
# 加载类别标签 2分
with open('labels.txt') as f:
    labels = [line.strip() for line in f.readlines()]
# 获取模型输入和输出的名称
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name
# 加载图片  2分
image = Image.open('flower_test.png').convert('RGB')
# 预处理图片  2分
processed_image = preprocess_image(image)
# 确保输入数据是 float32 类型
processed_image = processed_image.astype(np.float32)
# 进行图片识别  2分
output = session.run([output_name], {input_name: processed_image})[0]
# 应用 softmax 函数获取识别分类后的准确率  2分
accuracy = scipy.special.softmax(output, axis=-1)
# 获取预测的类别索引
predicted_idx = np.argmax(accuracy)
# 获取预测的准确值（转换为百分比）
prob_percentage = accuracy[0, predicted_idx] * 100

# 获取预测的类别标签
predicted_label = labels[predicted_idx]
# 输出预测结果，包含百分比形式的概率
print(f"Predicted class: {predicted_label}, Accuracy: {prob_percentage:.2f}%")

import onnx
import numpy as np
from PIL import Image
import onnxruntime as ort
# 定义预处理函数，用于将图片转换为模型所需的输入格式
def preprocess(image_path):
    input_shape = (1, 1, 64, 64)    # 模型输入期望的形状，这里是 (N, C, H, W)，N=batch size, C=channels, H=height, W=width
    img = Image.open(image_path).convert('L')    # 打开图像文件并将其转换为灰度图  1分
    img = img.resize((64, 64), Image.Resampling.LANCZOS)    # 调整图像大小到模型输入所需的尺寸
    img_data = np.array(img, dtype=np.float32)    # 将PIL图像对象转换为numpy数组，并确保数据类型是float32
    # 调整数组的形状以匹配模型输入的形状
    img_data = np.expand_dims(img_data, axis=0)  # 添加 batch 维度
    img_data = np.expand_dims(img_data, axis=1)  # 添加 channel 维度
    assert img_data.shape == input_shape, f"Expected shape {input_shape}, but got {img_data.shape}"    # 确保最终的形状与模型输入要求的形状一致
    return img_data    # 返回预处理后的图像数据
# 定义情感类别与数字标签的映射表 2分
emotion_table = {'neutral':0, 'happiness':1, 'surprise':2, 'sadness':3, 'anger':4, 'disgust':5, 'fear':6, 'contempt':7}
# 加载模型 2分
ort_session = ort.InferenceSession('emotion-ferplus.onnx')    # 使用onnxruntime创建一个会话，用于加载并运行模型
# 加载本地图片并进行预处理 2分
input_data = preprocess('img_test.png')
# 准备输入数据，确保其符合模型输入的要求
ort_inputs = {ort_session.get_inputs()[0].name: input_data}    # ort_session.get_inputs()[0].name 是获取模型的第一个输入的名字
# 运行模型，进行预测 2分
ort_outs = ort_session.run(None, ort_inputs)
# 解码模型输出，找到预测概率最高的情感类别 2分
predicted_label = np.argmax(ort_outs[0])
print(predicted_label)
# 根据预测的标签找到对应的情感名称 2分
predicted_emotion = list(emotion_table.keys())[predicted_label]
# 输出预测的情感
print(f"Predicted emotion: {predicted_emotion}")

代码：

import onnxruntime

import numpy as np

from PIL import Image

# 加载ONNX模型  2分

ort_session = onnxruntime.InferenceSession("mnist.onnx")

# 加载图像 2分

image = Image.open("img_test.png").convert('L')  # 转为灰度图

# 图像预处理 4分

image = image.resize((28, 28))  # 调整大小为MNIST模型的输入尺寸1分

image_array = np.array(image, dtype=np.float32)  # 转为numpy数组1分

image_array = np.expand_dims(image_array, axis=0)  # 添加batch维度1分

image_array = np.expand_dims(image_array, axis=0)  # 添加通道维度1分

# 使用模型对图片进行识别 2分

ort_inputs = {ort_session.get_inputs()[0].name: image_array}

# 执行预测 2分

ort_outs = ort_session.run(None, ort_inputs)

# 获取预测结果 2分

predicted_class = np.argmax(ort_outs[0])

# 输出预测结果
print(f"Predicted class: {predicted_class}")

import onnxruntime as ort
import numpy as np
import scipy.special
from PIL import Image
# 预处理图像
def preprocess_image(image, resize_size=256, crop_size=224, mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]):
  image = image.resize((resize_size, resize_size), Image.BILINEAR)
  w, h = image.size
  left = (w - crop_size) / 2
  top = (h - crop_size) / 2
  image = image.crop((left, top, left + crop_size, top + crop_size))
  image = np.array(image).astype(np.float32)
  image = image / 255.0
  image = (image - mean) / std
  image = np.transpose(image, (2, 0, 1))
  image = image.reshape((1,) + image.shape)
  return image

  # 模型加载 2分

session = ort.InferenceSession('resnet.onnx')
  # 加载类别标签
labels_path = 'labels.txt'
with open(labels_path) as f:
  labels = [line.strip() for line in f.readlines()]
  # 获取模型输入和输出的名称
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name
  # 加载图片 2分
image = Image.open('img_test.jpg').convert('RGB')
  # 预处理图片 2分
processed_image = preprocess_image(image)
  # 确保输入数据是 float32 类型
processed_image = processed_image.astype(np.float32)
  # 进行图片识别 2分
output = session.run([output_name], {input_name: processed_image})[0]
  # 应用 softmax 函数获取概率 2分
probabilities = scipy.special.softmax(output, axis=-1)
  # 获取最高的5个概率和对应的类别索引 2分
top5_idx = np.argsort(probabilities[0])[-5:][::-1]
top5_prob = probabilities[0][top5_idx]
  # 打印结果
print("Top 5 predicted classes:")
for i in range(5):
  print(f"{i + 1}: {labels[top5_idx[i]]} - Probability: {top5_prob[i]}")

自动驾驶汽车感知系统数据采集与标注指导方案

1. 数据采集方案

l  多传感器融合：结合摄像头、激光雷达（LiDAR）、毫米波雷达、GPS 和 IMU 等多种传感器，实现全面的环境感知。

l  场景覆盖：覆盖城市道路、高速公路、隧道、雨雪天、夜间等多种典型驾驶场景，确保数据多样性与泛化能力。

l  事件触发采集：在特定事件发生时（如紧急刹车、避让行动），自动触发额外数据采集，以捕获关键时刻。

l  数据质量控制：设置传感器校准流程，过滤模糊、过曝、传感器失效等无效数据，确保采集数据的可用性和一致性。

l  数据加密与传输：采用安全的数据传输协议，确保数据在传输过程中的安全性。

2. 数据标注方案

l  定义标注标准：明确标注类别、边界框精度要求、遮挡处理规则等。

l  选择标注工具：使用专业的数据标注软件，支持2D框、3D框、语义分割等标注类型。

l  标注员培训：对标注员进行专业培训，确保他们理解标注标准，熟悉工具使用。

l  执行标注任务：分配数据给标注团队，设定清晰的任务指标和截止日期。

l  质量控制与复查：实施多级检查，包括自动检查和人工复查，确保标注的准确性和一致性。

数据整合与存储：将标注后的数据整合，形成高质量结构化数据集，存储在安全的数据仓库中，供模型训练使用

AI智能安防监控系统采集和处理指导方案

1. 数据采集方法

l  高清视频流采集：部署高清摄像头，确保视频画面清晰，便于AI算法识别细节。

l  多角度覆盖：合理布置摄像头，确保监控区域无死角，覆盖所有入口、出口和敏感区域。

l  夜间与低光环境适应：使用带有红外夜视功能的摄像头，保证夜间或低光条件下仍能捕捉到清晰图像。

l  数据传输与存储：采用稳定的数据传输网络，确保视频流的实时传输，同时建立安全的本地或云端视频存储系统，保存原始视频和分析结果。

2. 数据处理方案

l  视频流预处理：包括帧抽取、图像去噪、分辨率调整和目标区域增强，提升后续识别算法效率。

l  行为分析与异常检测：通过人体姿态识别、运动轨迹跟踪等技术，识别跌倒、奔跑、翻越等异常行为。

l  隐私保护算法：在不影响异常行为识别的前提下，对视频中无关个体进行模糊处理，保护个人隐私。

l  数据融合与决策支持：结合多个摄像头的数据，进行空间和时间上的数据融合，构建更全面的场景理解，为安全决策提供依据。

3. 系统优化与安全措施

l  算法优化：持续训练和优化AI模型，提升异常行为识别的准确率与实时响应能力。

l  隐私合规：确保系统设计和运营遵守GDPR、CCPA等数据保护法规，定期进行隐私影响评估。

安全防护：实施数据加密、访问控制和防火墙等安全措施，防止数据泄露和系统被攻击。

AI辅助的医疗影像诊断系统数据采集和处理指导方案

1. 数据采集方案

l  医学影像获取：确保影像质量，使用高分辨率的医疗设备获取清晰的影像资料，涵盖多种疾病类型和人群。

l  患者信息收集：在符合HIPAA等隐私保护法规的前提下，收集患者的病史、年龄、性别等基本信息，以及相关的实验室检查结果。

l  影像数据标注：邀请经验丰富的医生对影像进行标注，标记病灶位置、类型、大小等关键信息，作为训练AI模型的标注数据集。

l  数据脱敏处理：对收集的患者信息进行脱敏处理，确保患者隐私安全。

2. 数据处理方案

l  数据清洗与预处理：包括图像格式统一、尺寸归一化、伪影去除、对比度增强，以及非结构化信息结构化处理。

l  模型训练与验证：采用交叉验证和训练集/验证集划分方式，评估模型在不同疾病类别和人群上的表现。

l  模型测试与优化：在真实临床场景下使用独立测试集评估模型性能，根据反馈调整参数、改进算法结构以降低误诊漏诊率。

l  系统集成与部署：将训练好的模型集成到医疗影像诊断系统中，部署在医院的服务器上，确保医生可以随时调用AI分析结果。

3. 数据安全与隐私保护

l  所有数据传输和存储过程都需加密，防止数据泄露。

l  遵守HIPAA等隐私法规，确保患者信息不被非法访问或滥用。

l  使用数据脱敏技术，如差分隐私，保护患者身份不被识别。

4. 系统优化与升级

l  定期收集医生和患者的反馈，评估系统性能，根据实际需求调整AI模型。

l  不断更新训练数据集，加入新的疾病类型或变异特征，提高模型的泛化能力与临床适应性。

l  跟踪AI技术的最新进展，适时引入更先进的算法，提升系统性能。

智能零售分析系统数据采集和处理指导方案

1. 数据源确定

l  销售点（POS）数据：从收银系统获取交易记录，包括商品种类、数量、价格和购买时间。

l  顾客信息：会员卡使用数据，包括消费频次、购买偏好、积分记录、浏览行为等。

l  库存管理系统：实时库存量、入库和出库记录。

l  顾客反馈：在线评价、投诉和建议。

l  外部数据：天气预报、节假日信息、竞争对手价格数据。

2. 数据采集方法

l  API接口：与内部系统（如POS、CRM）和外部数据提供商建立API连接，自动化数据抓取。

l  传感器和物联网设备：在货架上安装RFID标签和重量传感器，监测商品存量。

l  社交媒体监听：通过社交媒体API监听品牌相关的公众讨论和评价。

l  顾客调查：定期发送电子问卷，收集顾客反馈。

3. 数据预处理

l  清洗：去除重复记录、修正异常值、填补缺失数据、格式一致化。

l  标准化：对价格、时间、单位等字段统一标准格式（如统一为人民币、24小时制等）。

l  整合：将来自不同来源的数据合并到单一数据库中，创建关联字段。

4. 数据安全与合规

l  加密传输：确保数据在传输过程中的安全。

l  访问控制：限制对敏感数据的访问权限，只允许授权人员查看。

l  匿名化处理：对个人信息进行去标识化，遵守GDPR等数据保护法规。

5. 数据存储与管理

l  云存储：选择可靠的云服务商，如AWS或Azure，存储海量数据。

l  备份与恢复：定期备份数据，并测试恢复流程，以防数据丢失。

6. 数据分析与应用

l  建模：构建顾客细分模型、销售预测模型、库存优化模型和推荐系统。

l  可视化：开发仪表板展示关键指标，帮助管理层做出决策。

l  报告：定期生成销售、库存和顾客满意度报告，提供业务洞察。

通过上述方案，智能零售分析系统能够有效地采集、处理和分析大量数据，为企业提供决策支持，最终达到提升运营效率、优化库存管理、增强顾客体验和推动销售增长的目标。

根据学习大纲补充学习目标

数据可视化基础理论

学习目标：掌握数据可视化的基本概念、常见类型及其在数据分析中的作用

内容：

什么是数据可视化？

数据可视化的目的和优势。

常见的数据可视化类型：条形图、折线图、散点图、饼图等。

Matplotlib简介与安装

学习目标：了解Matplotlib的基本功能和应用场景，掌握其安装和基本配置方法

内容：

Matplotlib简介及其应用场景。

安装与配置Matplotlib库。

Matplotlib基本构架与常用组件。

Matplotlib基本绘图

学习目标：掌握使用Matplotlib创建和自定义基础图表的能力

内容：

创建简单图表：折线图、条形图、饼图。

图表定制：标题、轴标签、图例、颜色等。

实践操作：使用Matplotlib绘制康复数据的基本图表。

Plotly简介与安装

学习目标：了解Plotly的特点及应用场景，掌握其安装与在Jupyter Notebook中的使用方法

内容：

Plotly简介及其应用场景。

安装与配置Plotly库。

Plotly与Jupyter Notebook的结合使用。

Plotly交互式绘图

学习目标：掌握使用Plotly创建交互式可视化图表的方法，并熟悉其交互功能

内容：

创建交互式图表：折线图、散点图、饼图、地理图表。

图表交互功能：缩放、平移、悬停显示。

实践操作：使用Plotly绘制交互式康复数据图表。

数据可视化项目实战

学习目标：综合运用所学知识进行数据可视化项目。

内容：

项目介绍：对康复数据进行可视化分析。

数据采集与预处理：导入并清洗康复数据。

数据可视化：使用Matplotlib、Seaborn、Plotly进行可视化分析。

项目评审：展示可视化成果，讲解实现思路和遇到的问题。

总结与答疑

学习目标：巩固所学内容，解决学员疑问。

内容：培训内容总结，关键点回顾，学员提问与解答。

评估测试

学习目标：评估学员掌握的数据可视化技能。

内容：

理论测试：关于数据可视化基本概念和工具使用的笔试。

实操测试：要求学员完成指定的数据可视化任务。

根据学习大纲补充学习目标

数据清洗基础理论

学习目标：掌握数据清洗的基本概念和流程。

内容：

什么是数据清洗？

数据清洗的常见任务：数据去重、缺失值处理、数据格式转换等。

数据清洗在数据分析和模型训练中的重要性。

Pandas简介与安装

学习目标：掌握Pandas的基本功能，学会安装和配置Pandas，能够读取和保存不同格式的数据

内容：

读取CSV、Excel、SQL等格式的数据。

保存数据到CSV、Excel等格式。

实践操作：导入和导出康复数据集。

数据筛选与过滤

学习目标：掌握数据筛选、去重和缺失值处理的方法，提高数据质量。

内容：

条件筛选：基于单列或多列的条件筛选数据。

数据去重：去除重复记录。

缺失值处理：识别、删除和填充缺失值。

实践操作：筛选和过滤康复数据。

数据转换

学习目标：

内容：掌握数据类型转换、时间序列处理及数据分列与合并的方法，提升数据处理能力。

数据类型转换：转换数据类型（如字符串到日期）。

时间序列处理：处理和分析时间序列数据。

数据分列和合并：分割和合并数据列。

实践操作：转换和处理康复数据。

数据合并与重塑

学习目标：掌握数据合并与重塑的技术，能够有效组织和转换数据格式

内容：

数据合并：concat和merge方法。

数据重塑：pivot和melt方法。

实践操作：合并和重塑康复数据。

数据分组与聚合

学习目标：掌握数据分组与聚合的基本方法，提高数据分析能力

内容：

数据分组：groupby方法。

聚合函数：sum、mean、count等。

实践操作：分组和聚合康复数据。

数据可视化

学习目标：综合运用所学知识进行数据清洗项目。

内容：

项目介绍：清洗一个多来源的康复数据集。

数据采集：导入多种格式的数据。

数据清洗：使用Pandas进行数据清洗和转换。

项目评审：展示清洗成果，讲解实现思路和遇到的问题。