基于pytorch的犬种图像分类+ui界面

1 数据集说明

本研究使用的数据集包含10个不同犬种的图像集合。数据来源kaggle（犬种图像数据集 (kaggle.com)）。数据集目录结构如下：

• dataset/：根目录，包含每个犬种的所有子目录。
  • Golden_Retriever/：包含100张金毛猎犬的图片。
  • German_Shepherd/：包含100张德国牧羊犬的图片。
  • Labrador_Retriever/：包含100张拉布拉多猎犬的图片。
  • Bulldog/：包含100张斗牛犬的图片。
  • Beagle/：包含100张比格犬图片。
  • Poodle/：包含100张贵宾犬图片。
  • Rottweiler/：包含100张罗威纳犬的图片。
  • Yorkshire_Terrier/：包含100张约克夏梗的图片。
  • Boxer/：包含100张拳师犬的图片。
  • Dachshund/：包含100张腊肠犬的图片。

每个子目录中包含100张JPG格式的图像文件。这些图像文件以犬种名称命名，例如：Golden_Retriever_1.jpg, German_Shepherd_1.jpg 等。这些数据集为训练和评估不同深度学习模型提供了丰富的样本，通过这些图像，模型能够学习和识别不同犬种的特征，从而实现准确的分类。

2 CNN模型构建训练

2.1 CNN模型设计

卷积神经网络（CNN）是一种深度学习模型，广泛应用于图像识别任务。我们设计的CNN模型包括以下几个部分：

• 卷积层（Conv Layer）：提取图像的局部特征。我们使用两个卷积层，每个卷积层后接一个ReLU激活函数。
• 池化层（Pooling Layer）：通过最大池化操作减少特征图的维度，提高模型的计算效率。
• 全连接层（Fully Connected Layer）：将提取的特征映射到最终的分类结果上。我们使用两个全连接层，第一个全连接层连接池化层的输出，第二个全连接层连接第一个全连接层的输出并输出分类结果。

import torch.nn as nn
import torch.optim as optim
from torchvision import models

# 定义CNN模型
class SimpleCNN(nn.Module):
    def __init__(self, num_classes):
        super(SimpleCNN, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(128, 256, kernel_size=3, stride=1, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2)
        )
        self.classifier = nn.Sequential(
            nn.Dropout(),
            nn.Linear(256 * 16 * 16, 1024),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(1024, num_classes)
        )

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

2.2 模型训练

模型训练参数：

• 优化器：Adam优化器，学习率为0.001。
• 损失函数：交叉熵损失函数，用于多分类任务。</