【教学】python基于vgg的CT_COVID与CT_NonCOVID二分类识别+pyqt界面含代码

效果演示图如下:

代码按照顺序运行即可

 vgg训练模型的代码如下:

import torch
from PIL import Image
from torchvision import datasets, models, transforms,utils
import torch.nn as nn
import numpy as np
import random
import os
import torchvision
from tqdm import tqdm

#设置随机种子

def setup_seed(seed):
   torch.manual_seed(seed)
   torch.cuda.manual_seed(seed)
   torch.cuda.manual_seed_all(seed)
   np.random.seed(seed)
   random.seed(seed)
   torch.backends.cudnn.benchmark = False
   torch.backends.cudnn.deterministic = True
   torch.backends.cudnn.enabled = True
   os.environ['PYTHONHASHSEED'] = str(seed)
setup_seed(20)

root = './'

# Hyper parameters
num_epochs = 3    #循环次数
batch_size = 2 #每次投喂数据量
learning_rate = 0.00005   #学习率
momentum = 0.9  #变化率
num_classes = 2 #几分类
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
车辆识别系统通常包三部分:图像处理、特征提取和分类识别。下面是一个基于Python+PyQt5+API的简单车辆识别系统的实现: 1. 图像处理 使用OpenCV库实现图像处理,包括读取图像、调整图像大小、图像灰度化、二值化、边缘检测等。 ```python import cv2 def preprocess_image(image_path): """ 对图像进行预处理 """ # 读取图像 image = cv2.imread(image_path) # 调整图像大小 image = cv2.resize(image, (800, 600)) # 灰度化 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 二值化 _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 边缘检测 edge = cv2.Canny(binary, 50, 150) return edge ``` 2. 特征提取 使用深度学习模型提取图像特征。这里使用已经训练好的VGG16模型作为特征提取器。 ```python import numpy as np from keras.applications.vgg16 import VGG16, preprocess_input from keras.models import Model def extract_features(image): """ 使用VGG16模型提取图像特征 """ # 加载VGG16模型 base_model = VGG16(weights='imagenet') # 截取VGG16模型的倒数第二层作为特征提取器 feature_extractor = Model(inputs=base_model.input, outputs=base_model.get_layer('fc2').output) # 对图像进行预处理 image = np.expand_dims(image, axis=0) image = preprocess_input(image) # 提取特征 features = feature_extractor.predict(image) return features.flatten() ``` 3. 分类识别 使用训练好的分类器进行车辆识别。这里使用SVM模型作为分类器。 ```python from sklearn.externals import joblib def recognize_vehicle(image_path): """ 车辆识别 """ # 图像预处理 image = preprocess_image(image_path) # 提取特征 features = extract_features(image) # 加载SVM模型 svm_model = joblib.load('svm_model.pkl') # 进行分类识别 prediction = svm_model.predict([features]) return prediction[0] ``` 4. 编写GUI界面 使用PyQt5库编写GUI界面,包括文件选择、图像显示、车辆识别按钮等。 ```python import sys from PyQt5.QtWidgets import QWidget, QApplication, QLabel, QPushButton, QFileDialog, QHBoxLayout, QVBoxLayout from PyQt5.QtGui import QPixmap class VehicleRecognition(QWidget): def __init__(self): super().__init__() self.initUI() def initUI(self): # 创建文件选择按钮 self.selectButton = QPushButton('选择图片', self) self.selectButton.clicked.connect(self.showFileDialog) # 创建车辆识别按钮 self.recognizeButton = QPushButton('车辆识别', self) self.recognizeButton.clicked.connect(self.recognizeVehicle) # 创建图像显示区域 self.imageLabel = QLabel(self) # 创建布局 hbox = QHBoxLayout() hbox.addWidget(self.selectButton) hbox.addWidget(self.recognizeButton) vbox = QVBoxLayout() vbox.addLayout(hbox) vbox.addWidget(self.imageLabel) self.setLayout(vbox) # 设置窗口属性 self.setGeometry(300, 300, 800, 600) self.setWindowTitle('车辆识别系统') self.show() def showFileDialog(self): """ 显示文件选择对话框 """ options = QFileDialog.Options() options |= QFileDialog.DontUseNativeDialog fileName, _ = QFileDialog.getOpenFileName(self,"选择图片","./","Images (*.png *.xpm *.jpg)", options=options) if fileName: self.imageLabel.setPixmap(QPixmap(fileName).scaled(800, 600)) def recognizeVehicle(self): """ 进行车辆识别 """ image_path = self.imageLabel.pixmap().toImage() prediction = recognize_vehicle(image_path) self.setWindowTitle('车辆识别系统 - ' + prediction) if __name__ == '__main__': app = QApplication(sys.argv) ex = VehicleRecognition() sys.exit(app.exec_()) ``` 这样,我们就完成了一个基于Python+PyQt5+API的简单车辆识别系统。需要注意的是,这个系统只是一个简单的示例,实际应用中可能需要更复杂的图像处理和更精准的分类识别算法。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

bug生成中

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值