1W+张高质量图像数据-----tensorflow垃圾分类器实现，附完整项目

目录

简述

数据集介绍

代码操作介绍

图形化界面介绍

总结

---

简述

    毕业设计需要做一个垃圾分类系统，要求使用tensorflow和Mobilenet模型，准确率达到90%。个人认为对于一个成熟的预训练模型，需要最重要的并不是修改模型的层数，也不是魔改超参，最需要注重的是清洗自己的数据。网上的开源数据集质量参差不齐，令人头疼，但是没得选，所以最终我采用了多个开源数据集，在数以万计的图片中人工筛查坏图，差图......不说了都是泪。

    以下是本项目配置

操作系统：Windows 10

编程语言：Python 3.8

深度学习框架：TensorFlow 2.6 gpu

图形界面库：PyQt5

    需要注意如果使用tensorflow-gpu，务必使cudnn，cuda和你的tensorflow版本匹配。网上有众多安装指导过于麻烦，甚至大部分都是复制粘贴，狗皮膏药；实际上为了避免麻烦，最简单的方法就是使用conda安装，在官网查询框架对应版本，直接conda install tensorflow-gpu，conda会自动安装相关依赖项。这还不是最好的办法，当conda所使用的镜像源没有正确的相关依赖，可能会自动安装错误的依赖，所以我们最好就是将对应的版本pip install即可。本文主要用于介绍垃圾分类系统，tensorflow-gpu的实装，等有机会在写一篇介绍。

    以下是项目文件目录结构，如图：

    以下是本系统的设计流程图：

数据集介绍

本系统的训练数据集共13100张，采用多个开源数据集，使用软件，人工等方法筛查合并而成，做了4分类，30小类，数据格式全为jpg，如下图：

                 部分数据集展示

类别一览

--fast food box

--soiled plastic

--tea

--Vegetable

--eggshell

--fish bone

--powerbank

--bag

--cosmetic bottles

--plastic hanger

--cigarette

--plug wire

--can

--plush toys

--shoes

--anvil

--toothpick

--cardboard

--pot

--edible oil barrel

--dry battery

--ointment

--expired drugs

--flowerpot

--bamboo chopsticks

--meal

--bone

--fruit peel

--pulp

--rotten food

还有一个二分类的数据集（可回收垃圾，有机垃圾），也可达90%的准确率，相对简单，在3轮epoch左右就会过拟合。

根据训练需要，使用PythonOS模块和shutil模块将数据以8:2的比例划分为训练集和测试集。划分代码在utils文档内。

代码操作介绍

使用代码时，只需要更改训练集，测试集的目录即可开始训练（前提是配置好开发环境），如图：

需要注意根据自己的需求更改模型的保存路径（默认models目录）和准确率及损失函数曲线的路径，如图：

简要介绍本模型采用随机亮度，对比度，饱和度，裁剪，色调变换和高斯模糊来增强数据，提高模型的泛化能力；在预训练模型mobilenetV2的基础上，添加了两层全链接层和两层批量归一化层创建顺序模型；同时使用三个学习率调度组合形成学习率调度方法创建模型。详情见代码

图形化界面介绍

图形化界面就不用多介绍了，CSDN大佬（肆十二）那借鉴的（抄的hhhhh）

需要注意更改自己的模型地址！

总结

该训练模型的准确率曲线如图：

可见模型准确率约92%，且有效收敛。

完整项目下载见垃圾分类识别：tensorflow实现垃圾分类识别