基于TensorFlow的花卉识别

最新推荐文章于 2024-04-25 11:58:59 发布
最新推荐文章于 2024-04-25 11:58:59 发布
阅读量1.3w 收藏 349
点赞数 35
分类专栏： TensorFlow 文章标签： tensorflow 深度学习 卷积神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46013766/article/details/122672930
版权

概要设计

数据分析

本次设计的主题是花卉识别，数据为TensorFlow的官方数据集flower_photos，包括5种花卉（雏菊、蒲公英、玫瑰、向日葵和郁金香）的图片，并有对应类别的标识（daisy、dandelion、roses、sunflowers、tulips）

数据集内容举例：
在这里插入图片描述
数据集tgz文件解压后，内部划分为5个相对应的文件夹，文件夹内为相对应图片：
在这里插入图片描述
在这里插入图片描述
对应样本数（对数据集进行分类，90%训练集，10%验证集）：
在这里插入图片描述

设计任务

本次设计的任务是通过所提供的数据集数据（具有对应花卉分类），使用神经网络模型方法进行训练，使用该模型对其它同类花卉进行类型识别，需要借助TensorFlow环境下的神经网络模型进行处理训练。
本次设计任务我将使用TensorFlow环境下的卷积神经网络CNN技术，通过CNN对数据集进行对应的训练，建立相关模型，再使用模型对相对应花卉进行识别。其中神经网络的建立使用TensorFlow 2.x的Keras的Api进行搭建，绘制损失函数和准确率曲线对模型训练效果进行评价，训练完成保存为mode.h5文件储存，在预测数据时读取model文件加载model，再使用model进行预测数据，并使用Pyqt5工具设计一个简洁的GUI界面进行人机交互，能够自定义预测数据集图片。

本次设计使用TensorFlow 2.3，Python 3.8 环境，IDE使用PyCharm，进行神经网络的搭建和训练。

详细设计

数据加载和预处理

1、设置图片尺寸为180*180，分批大小32
在这里插入图片描述

2、从flower_photos文件夹中加载数据：
（train_ds为训练集，val_ds为验证集）
使用tf.keras.preprocessing.image_dataset_from_directory方法，其中参数：
Directory：数据集储存文件夹路径
Validate_split：划分训练集和验证集比例，输入0.1为验证集占10%
Subset：training为训练集，validation为验证集
Seed：用于shuffle和转换的可选随机种子，选择123
Image_size：图片大小，为上一点所预设180*180
Batch_size：数据批次的大小，为预设的32
在这里插入图片描述
3、获取分类名：
在这里插入图片描述
结果：
在这里插入图片描述

4、数据可视化演示：
在这里插入图片描述
5、配置数据集：
• 使用shuffle()函数打乱数据，使用cache()函数将数据集缓存到内存当中，
再使用prefetch()函数预取数据，加速运行
在这里插入图片描述

神经网络构建

第1层：输入层：将数据归一化，并设置input_shape输入
在这里插入图片描述
第2层：卷积层1：卷积核数目为16，卷积核为3*3，激活函数为relu，并设置input_shape为(180,180,3)，使用卷积的目的是从输入图片中提取特征
在这里插入图片描述

第3层：池化层1：采用最大池化操作，使用2*2采样，池化层的目的是降低了每个特征映射的维度，但是保留最重要的信息
在这里插入图片描述

第4层：卷积层2：卷积核数目为32，卷积核为3*3，激活函数为relu
在这里插入图片描述

第5层：池化层2：采用最大池化操作，使用2*2采样
在这里插入图片描述

第6层：卷积层3：卷积核数目为64，卷积核为3*3，激活函数为relu
在这里插入图片描述

第7-10层：两个卷积层和池化层
在这里插入图片描述

第11层：Flatten层：连接卷积层与全连接层，把多维的输入一维化
在这里插入图片描述

第12层：全连接层：units设置为128，即输出维度为128,，激活函数为relu，全连接层对上一层的神经元进行全部连接，实现特征的非线性组合，进行特征进一步提取
在这里插入图片描述

第13层：输出层：输出预期结果
在这里插入图片描述
在这里插入图片描述

使用Sequential逐层描述每层网络, 搭建神经网络结构：
在这里插入图片描述
打印网络结构：
在这里插入图片描述

模型训练

1、模型编译：
优化器optimizer选adam，损失函数loss选SparseCategoricalCrossentropy，指标metrics选择准确率accuracy
在这里插入图片描述
2、训练模型
指定训练集train_ds,验证集validation_data为val_ds，迭代10次
在这里插入图片描述
3、训练结束，保存model为model.h5
在这里插入图片描述
4、使用evaluate评价模型，并打印准确率
在这里插入图片描述
5、获取准确率和损失值并绘制函数
在这里插入图片描述
6、绘制混淆矩阵：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

模型预测

1、定义常量：
在这里插入图片描述
Flower_dict为花卉种类序列，以及图片宽高

2、加载模型
在这里插入图片描述
3、根据方法参数path加载图片数据转为array类型，由于维度问题需要扩展1维，使用numpy的expand_dims方法将数据由3维扩展为4维，然后使用model.predict方法将图片数据作为参数调用，返回result结果（index）对应flower_dict相对应index，返回对应index的种类名作为结果
在这里插入图片描述

GUI界面

1、使用Pyqt5工具设计GUI界面：
在这里插入图片描述
2、使用Pyqt5生成ui代码：
部分：
在这里插入图片描述

3、编写主函数Main.py
①import 组件
在这里插入图片描述

②打开GUI界面，初始化
在这里插入图片描述
在这里插入图片描述

③定义训练和预测函数：
在这里插入图片描述

注意事项

单独选择图片进行预测时，由于图片数据维度问题需要扩展1维，使用numpy的expand_dims方法将数据由3维扩展为4维，然后使用model.predict方法将图片数据作为参数调用

优化策略

优化CNN网络处理，防止过拟合，提高模型的泛化能力

运行结果

初始页面选训练：
在这里插入图片描述
1、网络结构
在这里插入图片描述
在这里插入图片描述

2、迭代过程
在这里插入图片描述

3、数据可视化
在这里插入图片描述

4、准确率
在这里插入图片描述

5、损失函数
在这里插入图片描述

6、混淆矩阵：
在这里插入图片描述

7、GUI演示
点击识别
在这里插入图片描述

选择图片
在这里插入图片描述
识别成功
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
Gitee源码： https://gitee.com/steven_L1047/tensor-flow.git.

Dream_Architect
关注
  • 35
    点赞
  • 踩
  • 349
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
专栏目录
基于 tensorflow 的鲜花识别
weixin_52381426的博客
04-11 1909
本文中，采用了卷积神经网络的深度学习方法来实现对鲜花种类的高精度识别，先是对原始图像进行预处理；然后是以LeNet-5 卷积神经网络模型为基础建立网络模型，再进行模型训练后得到鲜花识别分类器；最后分析实验结果并与其它花卉识别的算法进行对比。 1.深度学习模型 深度学习模型由计算机与人工智能泰斗 Geoffrey Hinton 及其学生于 2006年提出，他们的主要观点包括：（1）多个隐层条件下的神经网络可以自主的从输入图像中学习到更为本质的特征。（2）对于多个隐层的神经网络在训练的时候容易陷入局部极小值，可
tensorflow识别花朵
04-23
tensorflow识别案例，能够识别花朵，是tensorflow入门比较好的例子
基于Tensorflow搭建卷积神经网络CNN（花卉识别）保姆及级教程
qq_34184505的博客
04-17 2669
TensorFlow2.X 搭建卷积神经网络（CNN），实现人脸识别（可以识别自己的人脸哦！搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠，然后经过全连接层，最后用softmax映射为每个类别的概率，概率最大的即为识别结果)。
满满干货！一文快速实现CNN(卷积神经网络)识别花朵
最新发布
weixin_62632929的博客
04-25 1838
本文可以帮助你在 Ubuntu 20.04 环境下，快速部署一个较为简单的深度学习模型，你也可以根据我分享的经验扩展该模型，识别更多种类的花卉,本文提供全部源码和关键的代码分析。.
基于 Tensorflow 2.x 从零训练花卉图像识别模型
小毕超博客
01-02 5615
例如对图像进行随机旋转，这里将图片归一化操作也放在模型中了，这样的好处是在训练模型或预测模型时，可以不用做归一化操作了，同样也可以将。工具读取图片数据集，并且借助该工具，可以方便的进行数据集的划分、随机打乱、及统一大小操作，避免了自己再对数据集进行繁琐的操作。因此解决上面问题，对于图像问题可以首先考虑使用数据增强，让每次喂入模型的数据都是有区别的，进而达到扩充数据集，在。个分类的数据量，其实是不相等的，蒲公英 的数据量明显是比其他分类要多的，有可能在训练的过程中偏向于蒲公英 分类。
花卉识别(tensorflow)
热门推荐
Cheney ' blog
01-19 1万+
3花卉识别 3.1实验介绍 3.1.1实验背景 深度学习为人工智能核心技术，本章主要围绕深度学习涉及的全连接神经网络、卷积神经网络和对抗神经网络而开设的实验。 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信
基于tensorflow的花卉识别
jinxiqinghuan的博客
12-29 2939
一、思路 二、进程 三、参考 1.denny的学习专栏 这位大佬的博客里有关于tensorflow的很多内容，并且有花卉识别项目的源代码和介绍，很有参考价值。为了内容丢失，已装在到博客里。 2.Plain and Simple Estimators 这个小视频https://zhuanlan.zhihu.com/p/30722498简单介绍了该项目，并简单讲解了代码，github已fol...
tensorflow 五种花朵分类识别
05-21
基于Tensorflow 框架编写的花朵识别程序 ，使用了tfrecord 数据读取格式，并且添加了图形可视化操作，可以在训练过程中观测测试集以及验证集的loss值的变化，以及accuracy的变化，并附上单幅图的识别
python基于TensorFlow的花卉识别系统代码实现和全部项目资料.zip
09-11
基于TensorFlow的花卉识别系统代码和全部项目资料python实现.zip该花朵识别项目使用Python语言，基于TensorFlow深度学习框架所开发，可以识别多种花卉，整体识别率达到97%左右。我们使用了预训练的MobileNetV2模型，...
基于MindSpore的花卉识别实验（包含自己找花卉图片测试）
05-01
基于华为自研MindSpore深度学习框架构建网络模型，实现花卉识别实验。 包含自己找花卉图片测试；包含程序流程图 ；包含可运行源码、运行结果演示视频，本地MindSpore详细配置教程（私信可远程配置）；包含联系方式，...
Tensorflow训练的花的数据集
05-23
tensorflow珣丽娜数据集 。
基于TensorFlow框架，实现对图片分类、花朵识别
12-11
基于TensorFlow框架，实现对图片分类，实现花朵识别，具有一定参考价值，学习资料分享，欢迎交流学习。
【python】TensorFlow框架下CNN神经网络的花卉识别系统
12-21
提前说明一下，本文的CNN神经网络模型是参考网上诸多相关CNN图像分类大牛的博客修改的，在模型的基础上，用python的Flask框架搭载了一个web页面用来可视化展示。 第一步，爬取图片数据集 用python实现了一个非常简单的网络爬虫，对百度图片接口 http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=高清动漫&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid
花卉识别程序+数据集
04-01
亲测可以直接运行，先运行CNN训练神经网络，再运行predict进行花卉预测。
Flowers Recognition(花卉识别数据集).zip
09-14
Flowers Recognition(花卉识别数据集).zip
基于TensorFlow的花卉识别系统代码和全部项目资料python实现.zip
12-18
基于TensorFlow的花卉识别系统代码和全部项目资料python实现.zip该花朵识别项目使用Python语言，基于TensorFlow深度学习框架所开发，可以识别多种花卉，整体识别率达到97%左右。 基于TensorFlow的花卉识别系统代码和...
python毕业设计基于TensorFlow的花卉识别系统代码和全部项目资料（高分项目）.zip
03-04
python毕业设计基于TensorFlow的花卉识别系统代码和全部项目资料（高分项目）.zip个人经导师指导并认可通过的高分毕业设计项目，以识别多种花卉，整体识别率达到97%左右，主要针对计算机相关专业的正在做毕设的学生...
【实战】tensorflow 花卉识别
zcw1234515的博客
12-20 2485
花卉识别！
Tensorflow神经网络模型-鲜花种类识别
IT小辉同学
07-01 1109
一往无前的热爱！
基于tensorflow花卉识别代码
05-25
以下是使用 TensorFlow 实现花卉识别的代码示例： ```python import tensorflow as tf import numpy as np import os # 定义花卉分类标签 flower_labels = ['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips'] num_classes = len(flower_labels) # 定义模型超参数 learning_rate = 0.001 batch_size = 64 num_epochs = 50 # 加载花卉数据集 train_data_dir = '/path/to/training/dataset' test_data_dir = '/path/to/test/dataset' train_datagen = tf.keras.preprocessing.image.ImageDataGenerator( rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) test_datagen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( train_data_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical') test_generator = test_datagen.flow_from_directory( test_data_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical') # 定义模型结构 model = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Conv2D(64, (3, 3), activation='relu'), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Conv2D(128, (3, 3), activation='relu'), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Conv2D(128, (3, 3), activation='relu'), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation='relu'), tf.keras.layers.Dense(num_classes, activation='softmax') ]) # 编译模型 model.compile(optimizer=tf.keras.optimizers.Adam(lr=learning_rate), loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(train_generator, epochs=num_epochs, validation_data=test_generator) # 评估模型 test_loss, test_acc = model.evaluate(test_generator) print('Test accuracy:', test_acc) # 保存模型 model.save('flower_classification_model.h5') ``` 在上述代码中，我们首先定义了花卉分类标签和模型超参数。然后，使用 TensorFlow 内置的 `ImageDataGenerator` 类加载花卉数据集，并将其分为训练集和测试集。接着，我们定义了卷积神经网络模型的结构，并使用 `compile()` 方法编译模型。最后，使用 `fit()` 方法训练模型，并评估模型的性能。最后，我们将训练好的模型保存到磁盘上。
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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