【大作业-01】花卉识别-基于tensorflow2.3实现

原创已于 2024-12-17 11:03:38 修改 · 1.1w 阅读

141 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #tensorflow

于 2020-12-12 19:29:42 首次发布

大作业系列专栏收录该内容

66 篇文章

订阅专栏

该文章已生成可运行项目，

------------------------------------------------2024年12月17日更新-------------------------------------------------------------
目前已经距离这篇博客完成的时间过去了三年。在三年的时间里面，AI发生了巨大的变化，多模态、大模型的兴起，导致每个人在生活中都或多或少的接触到AI。
在各位小伙伴的支持下，目前我们的大作业专栏也已经更新了接近30期，因为每天来咨询的小伙伴比较多，我在这里把咨询的一些注意事项和常见的问题记录在这里，方便大家查看。

---------------》大作业系列常见问题答疑
------------------------------------------------------------------肆十二---------------------------------------------------------------------
花卉识别是卷积神经网络的入门案例，这里我将模型的训练、测试、保存以及使用整合在了一起，如果看博客不是很理解这个项目在做什么，可以看下方的视频内容，我在视频中对原理和操作都进行了解析。

【大作业-01】基于tensorflow2.3的花卉识别程序

【大作业-01】基于tensorflow2.3的花卉识别程序_哔哩哔哩 (゜-゜)つロ干杯~-bilibili

数据集和模型下载地址

【大作业-01】基于tensorflow和卷积神经网路的花卉识别系统.zip

文件目录

flower_tensorflow2.0
├─ data_read.py # 数据读取
├─ data_split.py # 数据切分
├─ images  # 图片文件
│    ├─ 123.jpg
│    ├─ init.png
│    ├─ logo.png
│    ├─ target.png
│    ├─ 主页面.png
│    └─ 关于.png
├─ window.py # ui界面
├─ models # 模型
│    ├─ cnn_flower.h5
│    └─ mobilenet_flower.h5
├─ readme.md 
├─ requirements.txt # 安装需求
├─ test_model.py # 模型测试
└─ train_model.py # 模型训练

如何使用

首先你需要下载项目到你的本地。

实践方面，学习深度学习离不开python，工欲善其事必先利其器，你需要掌握两个最基础的软件的使用，分别是用了管理python环境的anaconda和用于编辑调试代码的pycharm。

您可以通过这期视频对这两个软件进行学习：【2024毕设系列】Anaconda和Pycharm如何使用_哔哩哔哩_bilibili

初次之外，如果您在后续的学习和工作中经常使用到深度学习，那对于服务器的基本操作也需要掌握：手把手教你使用服务器训练AI模型_哔哩哔哩_bilibili

确定你的电脑已经安装好了PyQt5、tensorflow2.0以及opencv-python等相关软件之后，你可以执行下列命令进行安装

cd flower_tensorflow2.3
conda create -n flower_demo 
pip install -r requirements.txt

如果你想要重新训练你的模型，请执行

python train_mobilenet.py
python train_cnn.py

训练的详细脚本如下：

# -*- coding: utf-8 -*-
# @Time    : 2021/6/17 20:29
# @Author  : 肆十二
# @Email   : 3045834499@qq.com
# @File    : train_mobilenet.py
# @Software: PyCharm
# @Brief   : mobilenet模型训练代码，训练的模型会保存在models目录下，折线图会保存在results目录下

import tensorflow as tf
import matplotlib.pyplot as plt
from time import *


# 数据集加载函数，指明数据集的位置并统一处理为imgheight*imgwidth的大小，同时设置batch
def data_load(data_dir, test_data_dir, img_height, img_width, batch_size):
    # 加载训练集
    train_ds = tf.keras.preprocessing.image_dataset_from_directory(
        data_dir,
        label_mode='categorical',
        seed=123,
        image_size=(img_height, img_width),
        batch_size=batch_size)
    # 加载测试集
    val_ds = tf.keras.preprocessing.image_dataset_from_directory(
        test_data_dir,
        label_mode='categorical',
        seed=123,
        image_size=(img_height, img_width),
        batch_size=batch_size)
    class_names = train_ds.class_names
    # 返回处理之后的训练集、验证集和类名
    return train_ds, val_ds, class_names


# 构建mobilenet模型
# 模型加载，指定图片处理的大小和是否进行迁移学习
def model_load(IMG_SHAPE=(224, 224, 3), class_num=12):
    # 微调的过程中不需要进行归一化的处理
    # 加载预训练的mobilenet模型
    base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                                   include_top=False,
                                                   weights='imagenet')
    # 将模型的主干参数进行冻结
    base_model.trainable = False
    model = tf.keras.models.Sequential([
        # 进行归一化的处理
        tf.keras.layers.experimental.preprocessing.Rescaling(1. / 127.5, offset=-1, input_shape=IMG_SHAPE),
        # 设置主干模型
        base_model,
        # 对主干模型的输出进行全局平均池化
        tf.keras.layers.GlobalAveragePooling2D(),
        # 通过全连接层映射到最后的分类数目上
        tf.keras.layers.Dense(class_num, activation='softmax')
    ])
    model.summary()
    # 模型训练的优化器为adam优化器，模型的损失函数为交叉熵损失函数
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
    return model


# 展示训练过程的曲线
def show_loss_acc(history):
    # 从history中提取模型训练集和验证集准确率信息和误差信息
    acc = history.history['accuracy']
    val_acc = history.history['val_accuracy']
    loss = history.history['loss']
    val_loss = history.history['val_loss']

    # 按照上下结构将图画输出
    plt.figure(figsize=(8, 8))
    plt.subplot(2, 1, 1)
    plt.plot(acc, label='Training Accuracy')
    plt.plot(val_acc, label='Validation Accuracy')
    plt.legend(loc='lower right')
    plt.ylabel('Accuracy')
    plt.ylim([min(plt.ylim()), 1])
    plt.title('Training and Validation Accuracy')

    plt.subplot(2, 1, 2)
    plt.plot(loss, label='Training Loss')
    plt.plot(val_loss, label='Validation Loss')
    plt.legend(loc='upper right')
    plt.ylabel('Cross Entropy')
    plt.title('Training and Validation Loss')
    plt.xlabel('epoch')
    plt.savefig('results/results_mobilenet.png', dpi=100)


def train(epochs):
    # 开始训练，记录开始时间
    begin_time = time()
    # todo 加载数据集， 修改为你的数据集的路径
    train_ds, val_ds, class_names = data_load("../split_data/train",
                                              "../split_data/val", 224, 224, 16)
    print(class_names)
    # 加载模型
    model = model_load(class_num=len(class_names))
    # 指明训练的轮数epoch，开始训练
    history = model.fit(train_ds, validation_data=val_ds, epochs=epochs)
    # todo 保存模型， 修改为你要保存的模型的名称
    model.save("models/mobilenet_new.h5")
    # 记录结束时间
    end_time = time()
    run_time = end_time - begin_time
    print('该循环程序运行时间：', run_time, "s")  # 该循环程序运行时间： 1.4201874732
    # 绘制模型训练过程图
    show_loss_acc(history)


if __name__ == '__main__':
    train(epochs=30)