基于深度残差网络（ResNet）的水果分类识别系统

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

本文主要介绍如何使用python搭建：一个基于深度残差网络（ResNet）的水果图像分类识别系统。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一.背景含义项目说明

1.本文主要介绍如何使用python搭建：一个基于深度残差网络（ResNet）的水果图像分类识别系统。

项目只是用水果分类作为抛砖引玉，其中包含了使用ResNet进行图像分类的相关代码。（主要功能 如下）：

• 数据预处理，生成用于输入TensorFlow模型的TFRecord的数据。
• 模型构建及训练，使用tensorflow.keras构建深度残差网络。
• 预测水果分类并进行模型评估。

二、数据预处理

1.数据介绍：

数据大小	81类水果数据集共计14124张图片
数据条目	训练集11331张图片–测试集2793张图片
数据格式	jpg格式，ImageNet数据集格式

数据集格式为ImageNet数据集格式。该数据集包含81个种类的水果，数据集共81个类别：人参果、佛手瓜、哈密瓜、圣女果、山楂、山竹、无花果、木瓜、李子、杏、杨桃、杨梅、枇、枣、柚子、柠檬、柿子、树莓、桂圆、桑葚、梨、椰子、榴莲等

2.读取/获取数据：
使用pytorch工具类DataLoader读取该数据集，其中对数据按照224*224进行了随机裁剪、随机水平翻转、转化为张量、并按照均值mean=[0.485, 0.456, 0.406]标准差std=[0.229, 0.224, 0.225]进行了归一化处理。训练集与测试集按照8:2的比例进行划分。

3.部分代码展示：

• 导入包

import streamlit as st
import cv2
from PIL import Image,ImageDraw,ImageFont
import tempfile
import torch
from torchvision import transforms
import torch.nn.functional as F
import numpy as np
import config

• 采用PTL读取数据集

nput:PIL读取的image
    return:经过模型预测的带有类别标签、置信度的PIL格式的图片
    '''
    device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
    #图片前处理
    val_transforms = transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize(
            mean=[0.485, 0.456, 0.406],
            std=[0.229, 0.224, 0.225])
    ])
    uploaded_image=uploaded_image.convert('RGB')
    transform_image = val_transforms(uploaded_image)
    predict_image = transform_image.unsqueeze(0).to(device)
    pred_logits =