tensorflow人工智能项目-鸟类识别系统

　子午

已于 2022-05-12 10:27:33 修改

阅读量4.4k

点赞数 2

分类专栏： Python项目文章标签： tensorflow 人工智能 python

于 2022-05-03 23:30:30 首次发布

本文链接：https://blog.csdn.net/meridian002/article/details/124563938

版权

Python项目专栏收录该内容

54 篇文章 7 订阅

订阅专栏

介绍

Python作业
机器学习，人工智能，模式识别课程，鸟类识别检测系统。

这是一个鸟类识别项目，基于tensorflow，使用卷积神经网络实现对200种鸟类进行识别。
在数据集中收集了200中鸟类图片，每种鸟类都有着40~60张图片，通过对这些数据集进行训练，从而实现对这200中鸟类进行识别。
通过模型算法构建，在服务器上通过30次迭代，目前已将鸟类预测由0.005准确率（1/200）提升至0.5左右，准确率提升了100倍，符合预期效果。
提供后台管理系统，将识别数据保存进数据库中，并在管理系统中查看。

使用

完整代码和训练模型下载地址：

链接：https://pan.baidu.com/s/1ErS8iB_na1-PXxK4Q1tWCg

语言python3.8
tensorflow==2.8
django

界面

img_05_03_22_53_22

提示框中显示的Yellow haded blackbird 即为鸟类名称，当然如果需要翻译中中文也可以。

img_05_03_22_57_24

模型迭代次数

主要代码

model = tf.keras.Sequential([
             tf.keras.layers.Conv2D(64, (3, 3), input_shape=(256, 256, 3), 
                                    activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.MaxPooling2D(),
             tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.MaxPooling2D(),
             tf.keras.layers.Conv2D(256, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.Conv2D(256, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.MaxPooling2D(),
             tf.keras.layers.Conv2D(512, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.Conv2D(512, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.MaxPooling2D(),
             tf.keras.layers.Conv2D(512, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.Conv2D(512, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.Conv2D(512, (3, 3), activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.GlobalAveragePooling2D(),
             tf.keras.layers.Dense(1024, activation='relu'),
             tf.keras.layers.BatchNormalization(),
             tf.keras.layers.Dense(200)    
])