測量精度和損耗然后，我們根據訓練和測試數據集計算損失和準確性。可以看出，測試數據集的準確性比訓練數據集的準確性低。此外，與測試數據集相比，測試數據集中發生的損失更多。

保存人臉檢測模型并暴露于新數據接下來，我們將使用上述過程創建的模型存儲在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。基本上，模型的輸出將具有兩個值，分別代表戴口罩和未戴口罩的概率。在這兩個值中，大于0．5的概率值將被視為結果。數組輸出內部的第一個值表示駕駛員戴口罩的概率，第二個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．append（resized）
data＝np．array（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  ］］
車牌號碼圖像預處理我們在車牌上應用圖像處理技術以減小圖像尺寸，并通過在車牌周圍繪制一個矩形框來跟蹤車牌號碼。for f1 in files：
   img ＝ cv2．imread（f1）
   img ＝ cv2．resize（img， （IMAGE＿SIZE，IMAGE＿SIZE））
   X．append（np．array（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）］