写作初衷
本文内容主要为开发一种物品智能识别系统,实例以对植物叶片的智能识别为例,前端界面交互过程采用Java语言中Java Springboot框架编写,后端采用Python语言中Pytorch学习库编写,具体识别内容可根据训练任务修改权重文件而自行更改。
一、配置环境
此项目中前端交互界面采用Java Springboot编写,开发工具为IDEA,所需环境为JDK1.8.0以上;后端识别模型部分开发工具为Pycharm,需安装与自身python版本对应的Pytorch机器学习库,所需环境为Python 3.7、CUDA+cuDNN。
二、操作细节
后端识别模型部分: 1.将“python_识别模型端”文件中的项目在Pycharm工具中部署好(需进行一些函数库的安装)。本文基础CNN识别模型采用densenet网络架构,相关模型权重已训练好,即“model-49.pth”文件。若需改变训练任务,则利用“train.py”搭配设计好的“model.py”重新训练出新权重即可,完成后需修改“predict.py”中的权重路径语句。2.在下方Terminal终端键入“python main.py runserver”命令等待提示启动,即开启Diango Web服务器端口。
前端交互界面: 1、若要以可执行文件方式直接启动前端交互界面,则双击可执行文件中“P_L_Reo.exe”应用程序开始运行;2.若要以脚本方式直接启动前端交互界面,则在IDEA中将“java_前端页面”文件部署好,启动src/main/resources/static/index即可,相关界面修改亦可在此完成。
三、细节及结果展示
Diango Web服务器端口启动:
方式一:Java index.html 运行:
方式二:“P_L_Reo.exe”应用程序启动:
识别流程:上传图片:
识别流程:返回预测结果(前三类):
四、完整项目代码
由于项目代码较多,完整版项目请点击下方链接自行下载。使用过程若有任何问题请私信作者,或联系企鹅:1518686357。