Python案例实战《鲜花识别模型训练及调用》-CSDN博客

本文链接：https://blog.csdn.net/xch_yang/article/details/147744695

博主介绍：
计算机科班人，全栈工程师，掌握C、C#、Java、Python、Android等主流编程语言，同时也熟练掌握mysql、oracle、sqlserver等主流数据库，能够为大家提供全方位的技术支持和交流。
具有丰富的项目经验和开发技能。提供相关的学习资料、程序开发、技术解答、代码讲解、文档报告等专业服务。
🍅文末获取源码🍅
👇🏻 精彩专栏推荐订阅👇🏻 不然下次找不到我哟
《精品项目实战》

1、效果图

模型训练显示每批次的损失和准确率
在这里插入图片描述

识别：
在这里插入图片描述

在这里插入图片描述

2、模型训练核心源码逻辑

（1）环境与配置初始化‌

‌设备检测‌：自动选择GPU/CPU训练环境

‌超参数集中管理‌：

config = {
    'data_path': './train/',     # 数据集路径
    'num_classes': 5,            # 分类类别数
    'batch_size': 32,            # 批处理大小
    'num_workers': 4,            # 多进程数据加载
    'learning_rate': 0.001,      # 初始学习率
    'num_epochs': 50,            # 训练轮次
    'save_path': 'best.pth'      # 模型保存路径
}

（2）数据准备‌

‌数据集加载‌：使用自定义的FlowerDataset类加载数据 ,标签默认处理为‌one-hot编码格式‌

数据流水线构建‌：

DataLoader(
    train_dataset,
    batch_size=config['batch_size'],
    shuffle=True,                # 训练数据打乱
    num_workers=config['num_workers'],  # 多进程加速
    pin_memory=True,             # 快速数据转移到GPU
    drop_last=True               # 丢弃最后不完整的批次
)

（3）模型构建‌

‌预训练模型适配‌：加载ResNet18预训练模型
修改最后一层全连接层以适配分类任务：

model.fc = nn.Linear(model.fc.in_features, config['num_classes'])

（4）训练配置‌

损失函数‌：CrossEntropyLoss（自动处理Softmax）
优化器‌：Adam优化器，初始学习率0.001
学习率调度‌：ReduceLROnPlateau动态调整策略（基于准确率，耐心值3轮）

（5）训练循环‌

模式设置‌：model.train()
‌数据迭代‌：
使用tqdm进度条可视化训练过程
数据高效转移至设备：non_blocking=True
‌前向传播与损失计算‌：
将‌one-hot标签‌转换为类别索引：torch.argmax(labels, dim=1)
计算损失：loss = criterion(outputs, labels_class)
‌反向传播优化‌：
梯度清零优化：optimizer.zero_grad(set_to_none=True)
反向传播：loss.backward()
参数更新：optimizer.step()
‌指标统计‌：
累计损失：running_loss
计算准确率：correct / total

（6）动态策略‌

‌学习率调整‌：根据当前epoch的准确率自动降低学习率
‌模型保存‌：仅保存最佳准确率对应的模型权重（.pth文件）

if epoch_acc > best_acc:
    best_acc = epoch_acc
    torch.save(model.state_dict(), config['save_path'])

（7）训练监控‌

‌实时进度‌：tqdm显示每批次的损失和准确率
Epoch摘要‌：

print(f'Epoch [{epoch+1}/{config["num_epochs"]}]')
print(f'Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}')
print(f'Current LR: {optimizer.param_groups[0]["lr"]:.6f}')