Paddle实现食物图片分类

项目说明，本项目是李宏毅老师在飞桨授权课程的作业解析
课程 传送门
该项目AiStudio项目 传送门
数据集 传送门

本项目仅用于参考，提供思路和想法并非标准答案！请谨慎抄袭！

食物图片分类

项目描述

训练一个简单的卷积神经网络，实现食物图片的分类。

数据集介绍

本次使用的数据集为food-11数据集，共有11类

Bread, Dairy product, Dessert, Egg, Fried food, Meat, Noodles/Pasta, Rice, Seafood, Soup, and Vegetable/Fruit.
（面包，乳制品，甜点，鸡蛋，油炸食品，肉类，面条/意大利面，米饭，海鲜，汤，蔬菜/水果）
Training set: 9866张
Validation set: 3430张
Testing set: 3347张

数据格式
下载 zip 档后解压缩会有三个资料夹，分别为training、validation 以及 testing
training 以及 validation 中的照片名称格式为 [类别]_[编号].jpg，例如 3_100.jpg 即为类别 3 的照片（编号不重要）

实现方式
paddlepaddle

思路方法

• 解压数据集

• 查看数据内容：training、validation 和 testing文件夹
  类似于work/food-11/training/0_101.jpg 文件
  [类别]_[编号].jpg

• 制作图片和标签文档

• 继承paddle.io.dataset类生成数据集

• 创建CNN网络

• 训练数据

• 测试数据

说明：
本项目素材和内容源于李宏毅老师课程，但是是使用飞桨实现的！
本项目仅仅是跑通了，对于准确率没有要求和细细琢磨，仅供参考！

# !unzip -d work data/data75768/food-11.zip # 解压缩food-11数据集

import paddle
print(f'当前Paddle版本：{paddle.__version__}')

当前Paddle版本：2.0.1

import os
import paddle
import paddle.vision.transforms as T
import numpy as np
from PIL import Image
import paddle.nn.functional as F

读取文件

data_path = '/home/aistudio/work/food-11/'  # 设置初始文件地址
character_folders = os.listdir(data_path)  # 查看地址下文件夹
character_folders

['testing', 'validation', 'training']

data = '10_alksn'
data[0:data.rfind('_', 1)]   # 判断_位置并截取下划线前面数据

'10'

# 新建标签列表
if(os.path.exists('./training_set.txt')):  # 判断有误文件
    os.remove('./training_set.txt')  # 删除文件
if(os.path.exists('./validation_set.txt')):
    os.remove('./validation_set.txt')
if(os.path.exists('./testing_set.txt')):
    os.remove('./testing_set.txt')

for character_folder in character_folders:  #  循环文件夹列表
    with open(f'./{character_folder}_set.txt', 'a') as f_train:  # 新建文档以追加的形式写入
        character_imgs = os.listdir(os.path.join(data_path,character_folder))  # 读取文件夹下面的内容
        count = 0
        if character_folder in 'testing':  # 检查是否是训练集
            for img in character_imgs:  # 循环列表
                f_train.write(os.path.join(data_path,character_folder,img) + '\n')  # 把地址写入文档
                count += 1
            print(character_folder,count)  # 输出文件夹及图片数量
        else:
            for img in character_imgs:
                f_train.write(os.path.join(data_path,character_folder,img) + '\t' + img[0:img.rfind('_', 1)] + '\n')  # 写入地址及标签
                count += 1
            print(character_folder,count)

testing 3347
validation 3430
training 9866

训练集和验证集样式:

测试集: