測量精度和損耗然后，我們根據(jù)訓(xùn)練和測試數(shù)據(jù)集計(jì)算損失和準(zhǔn)確性�？梢钥闯�，測試數(shù)據(jù)集的準(zhǔn)確性比訓(xùn)練數(shù)據(jù)集的準(zhǔn)確性低。此外，與測試數(shù)據(jù)集相比，測試數(shù)據(jù)集中發(fā)生的損失更多。

保存人臉檢測模型并暴露于新數(shù)據(jù)接下來，我們將使用上述過程創(chuàng)建的模型存儲(chǔ)在pickle文件中。稍后，我們將利用該模型來確定給定圖像的駕駛員是否戴了口罩�；�本上，模型的輸出將具有兩個(gè)值，分別代表戴口罩和未戴口罩的概率。在這兩個(gè)值中，大于0．5的概率值將被視為結(jié)果。數(shù)組輸出內(nèi)部的第一個(gè)值表示駕駛員戴口罩的概率，第二個(gè)值表示駕駛員不戴口罩的概率。model．save（＇saved＿model／my＿model＇）
INFO：tensorflow：Assets written to： saved＿model／my＿modelssets
from keras．models import load＿model
new＿model ＝ load＿model（＇saved＿model／my＿model＇）
import cv2，os
img＿path ＝ ＇test／755．jpg＇
img＿size＝100
data＝［］
img＝cv2．imread（img＿path）
gray＝cv2．cvtColor（img，cv2．COLOR＿BGR2GRAY）
resized＝cv2．resize（gray，（img＿size，img＿size））
data．a(chǎn)ppend（resized）
data＝np．a(chǎn)rray（data）／255．0
data＝np．reshape（data，（data．shape［0］，img＿size，img＿size，1））
output ＝ new＿model．predict（data）
print（output）
［［0．00447709 0．995523  ］］
車牌號(hào)碼圖像預(yù)處理我們在車牌上應(yīng)用圖像處理技術(shù)以減小圖像尺寸，并通過在車牌周圍繪制一個(gè)矩形框來跟蹤車牌號(hào)碼。for f1 in files：
   img ＝ cv2．imread（f1）
   img ＝ cv2．resize（img， （IMAGE＿SIZE，IMAGE＿SIZE））
   X．a(chǎn)ppend（np．a(chǎn)rray（img））
   
from lxml import etree
def resizeannotation（f）：
   tree ＝ etree．parse（f）
   for dim in tree．xpath（＂size＂）：
       width ＝ int（dim．xpath（＂width＂）［0］．text）
       height ＝ int（dim．xpath（＂height＂）［0］．text）
   for dim in tree．xpath（＂object／bndbox＂）：
       xmin ＝ int（dim．xpath（＂xmin＂）［0］．text）／（width／IMAGE＿SIZE）
       ymin ＝ int（dim．xpath（＂ymin＂）［0］．text）／（height／IMAGE＿SIZE）
       xmax ＝ int（dim．xpath（＂xmax＂）［0］．text）／（width／IMAGE＿SIZE）
       ymax ＝ int（dim．xpath（＂ymax＂）［0］．text）／（height／IMAGE＿SIZE）
   return ［int（xmax）， int（ymax）， int（xmin）， int（ymin）］