web网页html版通过python_CNN卷积神经网络对辣椒类别识别-含图片数据集

代码下载:

https://download.csdn.net/download/qq_34904125/89489652

本代码是基于python pytorch环境安装的。

下载本代码后,有个环境安装的requirement.txt文本,环境需要自行配置。

或可直接参考下面博文进行环境安装。

深度学习web网页html版环境安装-CSDN博客

安装好环境之后,

代码需要依次运行 01数据集文本生成制作.py

02深度学习模型训练.py

和03html_server.py

数据集介绍,下载本资源后,界面如下:

数据集文件夹存放了本次识别的各个类别图片。

本代码对数据集进行了预处理,包括通过在较短边增加灰边,使得图片变为正方形(如果图片原本就是正方形则不会增加灰边),和旋转角度,来扩增增强数据集,

运行01数据集文本制作.py文件,会就读取数据集下每个类别文件中的图片路径和对应的标签

运行02深度学习模型训练.py就会将txt文本中记录的训练集和验证集进行读取训练,训练好后会保存模型在本地

训练完成之后会有log日志保存本地,里面记录了每个epoch的验证集损失值和准确率。

运行03html_server.py就可以生成与网页交互的url了

然后我们复制这个url(http://127.0.0.1:4399)在本机电脑的网页上打开,或手动输入这个url,切记不要输错

这个时候网页正中心的按钮,点击就可以加载图片识别了,首先选择我们数据集文件夹里面的图片,进行加载

加载图片之后,选择点击识别按钮进行识别即可

  • 6
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
下面是一个使用Python和TensorFlow构建深度卷积神经网络进行人脸识别的代码示例: ```python import tensorflow as tf from tensorflow.keras import layers, models # 定义深度卷积神经网络 model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(128, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Flatten()) model.add(layers.Dense(128, activation='relu')) model.add(layers.Dense(1, activation='sigmoid')) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 加载数据集 train_ds = tf.keras.preprocessing.image_dataset_from_directory( 'path/to/train_data', validation_split=0.2, subset="training", seed=123, image_size=(64, 64), batch_size=32) val_ds = tf.keras.preprocessing.image_dataset_from_directory( 'path/to/train_data', validation_split=0.2, subset="validation", seed=123, image_size=(64, 64), batch_size=32) # 训练模型 history = model.fit(train_ds, validation_data=val_ds, epochs=10) # 测试模型 test_ds = tf.keras.preprocessing.image_dataset_from_directory( 'path/to/test_data', image_size=(64, 64), batch_size=32) loss, accuracy = model.evaluate(test_ds) print('Test accuracy:', accuracy) ``` 在上面的代码中,我们使用了TensorFlow的Keras API构建了一个深度卷积神经网络,包括三个卷积层和两个全连接层。然后,我们加载了训练数据集和测试数据集,并使用fit()函数训练模型。最后,我们使用evaluate()函数测试模型的性能。

“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
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