使用python+keras来识别狗的品种-CSDN博客

本文链接：https://blog.csdn.net/woshicver/article/details/108505674

本文介绍如何利用深度学习，特别是Keras和ResNet-50，构建一个识别狗品种的模型，准确率超过80%。通过数据分析、预处理、CNN和迁移学习，最终构建了一个基于Flask的web应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这篇文章中，将教大家实现一个网页应用程序，该程序可以接收狗的图片，然后输出其品种，其准确率超过80%！

我们将使用深度学习来训练一个识别狗品种的模型，数据集是狗图像与他们的品种信息，通过学习图像的特征来区分狗的品种。

数据分析

数据集可以从这里下载（https://s3-us-west-1.amazonaws.com/udacity-aind/dog-project/dogImages.zip）。以下是关于数据的一些介绍：

犬种总数：133
狗图片总数：8351（训练集：6680，验证集：835，测试集：836）
最受欢迎的品种：阿拉斯加对应96个样本，博德牧羊犬对应93个样本

按图片数量排序的前30个品种如下：

我们还可以在这里看到一些狗的图片和它们的品种：

数据预处理

我们会把每个图像作为一个numpy数组进行加载，并将它们的大小调整为224x224，这是大多数传统神经网络接受图像的默认大小，另外我们为图像的数量添加为另一个维度。

from keras.preprocessing import image                  from tqdm import tqdm
def path_to_tensor(img_path):    '''将给定路径下的图像转换为张量'''    img = image.load_img(img_path, target_size=(224, 224))    x = image.img_to_array(img)    return np.expand_dims(x, axis=0)
def paths_to_tensor(img_paths):    '''将给定路径中的所有图像转换为张量'''    list_of_tensors = [path_to_tensor(img_path) for img_path in tqdm(img_paths)]    return n