残差神经网络实现图像识别

卷积神经网络实现图像识别

基于这个大佬的卷积神经网络
进行网络层的改进，运用ResNet-18进行图像识别，从二分类变成多分类，提高准确率。大佬写的很详细很细致，可以先精读一下。

数据集

下载地址
一共有60多个类的图片
这里用30个类进行实验（电脑带不动了），手动分训练集和测试集。图片比例最好为7:3。

网络层

数据预处理、训练函数、测试函数与大佬的相似。
注意将二分类代码进行修改。
这是修改后的网络层

# 加载预训练的ResNet-18模型
model = resnet18(pretrained=True)
num_classes = len(dataset_train.classes)
# 重置最后一层的输出大小
model.fc = nn.Linear(model.fc.in_features, num_classes)
model = model.to(device)

测试代码

#加载模型
model = resnet18(pretrained=False)
num_classes = 30  # 你的数据集有多少类别
model.fc = nn.Linear(model.fc.in_features, num_classes)
model.load_state_dict(torch.load('你存代码的地址'))
model.eval()

# 类别标签
class_labels = ['你有几个类就写几个标签','']
# 加载图片并进行预测
image_path = '你要进行测试的图片地址'
image = Image.open(image_path)
image = transform(image).unsqueeze(0)  # 增加一个维度表示batch size
output = model(image)
_, predicted = torch.max(output, 1)
predicted_label = class_labels[predicted.item()]

# 输出预测结果
print('Predicted label:', predicted_label)

结果

一般测试的准确率都有80%以上，多迭代几次可以达到90%
也能准确识别出图片