神经网络实现猫的种类识别

最新推荐文章于 2024-01-27 10:19:58 发布
最新推荐文章于 2024-01-27 10:19:58 发布
阅读量8.1k 收藏 60
点赞数 5
分类专栏： 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/yeler082/article/details/86373650
版权

神经网络实现猫的种类识别

代码地址：https://github.com/yeLer/cat_kind
在这里插入图片描述

实现的主要部分有

  • 简单的网络结构在猫的种类识别上的应用，测试准确率0.832
  • 使用resNet50在猫的种类识别上的应用，测试准确率0.866
  • 使用数据增强解决过拟合问题，并提高测试准确率，测试准确率0.999

项目文件夹说明

------
cat_kind  项目文件名
    |----cat_data_resNet50  存放用于resNet网络训练的数据
        |----train      训练数据
        |----test       测试数据
    |----cat_kind_data  存放用于简单案例网络训练的数据（train.py）
        |----train      训练数据
        |----test       测试数据
    |----dataAug    数据增强后存放训练集的位置
    |----models     保存训练模型的位置
    |----predict_imgs   测试过程中使用的图片文件夹
    |----resnet_example     使用resnet网络的文件夹
        |----predict_on_resnet.py   预测的时候使用的文件
        |----resnet50.py    定义resnet网络的文件
        |----train_on_resnet.py     训练resnet的文件
    |----source_images      数据集的原始文件夹
        |----孟买猫
        |----布偶猫
        |----暹罗猫
        |----英国短毛猫
    |----tools      工具文件夹
        |----data_aug.py    数据增强
        |----prepare_data.py    数据预处理
    |----predict.py     使用简单网络进行预测的文件
    |----requirement.txt    环境依赖
    |----train.py       使用简单网络进行训练的文件
step1 数据集预处理

使用文件：prepare_data.py

包括的操作有：

图片重命
  • 在renameJPG()方法实现，重命名的意图有两个，第一是将图片都统一为一种图片类型，
    第二个目的是给图片添加训练标签（当然也可以将标签写在文件当中，这里只是一种简便的
    做法）
图片转换为统一的格式
  • 图片重命名保存的过程中将图片统一格式
图片统一大小
  • 该网络要求输入图片的大小为(100,100),所以运行时要修改out_img_size为(100,100)，数据集保存位置save_dir为cat_kind_data
将图片按照一定的比例划分
  • 按照比例9:1将数据划分为训练集和测试集,默认参数为0.9
step2 训练
step3 测试

二 使用经典网络ResNet50实现猫的种类识别

  • 由于resnet网络较为复杂，在少量的数据集情况下结果容易出现过拟合，所以首先进行数据增强的处理
step1 数据增强

在这里插入图片描述

直接运行data_aug.py，然后会在dataAug文件夹下生成四个对应猫种类的文件夹，相应的参数可以在data_aug.py调整

在这里插入图片描述

step2 数据集预处理

使用文件：prepare_data.py

包括的操作有：

图片重命名
  • 在renameJPG()方法实现，重命名的意图有两个，第一是将图片都统一为一种图片类型，
    第二个目的是给图片添加训练标签（当然也可以将标签写在文件当中，这里只是一种简便的
    做法）
图片转换为统一的格式
  • 图片重命名保存的过程中将图片统一格式
图片统一大小
  • 在resNet中要求图片的大小在197——224之间，这里将图片的大小统一在224*224
将图片按照一定的比例划分
  • 按照比例9:1将数据划分为训练集和测试集
step3 定义网络结构

  • 网络结构采用Keras搭建好的resNet50，使用文件：resnet_example/resnet50.py

  • 使用文件：resnet_example/resnet50.py,原始文件可从deep-learning-models
    获取，为了使得该文件能适应训练加测试，我做了相应的修改

step4 训练
  • 使用文件：resnet_example/train_on_resnet.py
step5 测试
  • 使用文件：resnet_example/predict_on_resnet.py
yeler082
关注
专栏目录
基于CNN卷积神经网络实现的猫狗识别详细教程
机器学习深度学习业余选手
02-05 650
基于CNN卷积神经网络实现的猫狗识别详细教程
基于卷积神经网络的猫狗识别系统的设计与实现
a1233219的博客
07-06 4054
基于卷积神经网络的猫狗识别系统的设计与实现
基于卷积神经网络的猫种类识别
01-16
基于卷积神经网络的猫种类识别，结合Django的完整demo。 环境：Django1.8.2 python3.6.3 tensorflow1.3 h5py2.7 keras2.1.2 numpy1.13.3 pillow5.0.0 pymysql0.8.0
基于ResNet实现猫十二分类--附加UI界面(96%正确率)
HOOK1的博客
10-20 1109
如果想要实现这个优化好的ui界面，12类猫的简介及其特征的获取，需要接入文心一言的token。获取方法：飞浆星河社区个人中心-->访问令牌（100万次免费使用机会）
基于卷积神经网络的猫种类的识别
热门推荐
连正的博客
01-16 1万+
1 引言 我也是刚刚接触卷积神经网络不久，理解的也不是特别深入，以下都是我自己的个人想法，如有错误希望大家指正。 这个是一个基于类似于VGG模型（模型来源于keras文档）的卷积神经网络实现的图片分类器，实现的是对猫的种类识别，因为数据集比较难找所以只用了320张图片做训练集，用69张图片做测试集。具体猫的分类一共有4类：布偶猫，孟买猫，暹（xian）罗猫，英国短毛猫。（图片均来源于网络图片）
吴恩达作业3：利用深层神经网络实现小猫的分类
智障变智能
07-13 1344
利用4层神经网络实现小猫的分类，小猫训练样本是（209，64*64*3=12288）,故输入节点是12288个，隐藏层节点依次为20，7，5，输出层为1。 首先看文件路径，dnn_utils_v2.py代码是激活函数和激活函数导数 载入数据集 打印预测错误照片的代码： import numpy as np import matplotlib.pyplot as plt import...
神经网络识别三种猫的代码
weixin_35756690的博客
12-16 117
好的，我会尽力用中文来回答你的问题。 假设你已经收集了足够多的三种猫的图像数据，并且这些数据已经被分割成训练集和测试集。那么，你可以使用以下步骤来构建一个神经网络来识别三种猫： 导入必要的 Python 库，如 TensorFlow 或 PyTorch。 定义神经网络的结构。这可以包括输入层、隐藏层和输出层。你可以根据数据的大小来决定网络的大小。 定义损失函数和优化器。你可以使用交叉熵损失函...
基于HOG+SVM的猫咪识别器
Co_zy的博客
10-22 3632
目的使用HOG+SVM算法和OpenCV实现一个图片分类器，通过自己训练分类器，达到可以判断任意图片是否是猫咪的效果实验环境python2.7 win10实验知识点-HOG+SVM分类器的基本原理 -OpenCV处理图片 -训练分类器，以得到适合自己项目的分类器 -Python文件操作下面会首先介绍一下OpenCV,HOG,SVM的相关知识 - ##Opencv1.读取图片import c
神经网络识别三种猫
weixin_35754962的博客
12-16 96
神经网络是一种人工智能技术，它可以用来识别图像中的对象。 如果要让神经网络识别三种猫，你需要准备大量有标签的图像数据，其中每张图片都标注了是哪一种猫。然后你需要使用深度学习框架训练一个神经网络模型，让它能够从图像中识别出三种猫。训练过程中，你需要调整模型的参数，使它能够尽可能准确地识别猫。当训练完成后，你就可以使用这个模型来识别新的图像中是否含有三种猫之一。 ...
卷积神经网络完成猫狗分类
zidingyidingyi的博客
06-18 745
文章目录 使用TensorFlow和Keras，搭建卷积神经网络完成猫狗分类。
毕设：基于CNN卷积神经网络的猫狗识别、狗品种识别(Tensorflow、Keras、Kaggle竞赛)
二八定律法则
04-30 1万+
基于卷积神经网络的图像识别算法及其应用研究 毕业快一年了，拿出来分享给大家，我和网上唯一的区别就是，我能够同时实现两个方案（猫狗识别和狗品种识别），我当时也是网上各种查，花了2，3个月的时间，一个萝卜一个坑走过来的，深度学习真的是深似海呀，不过结果还好，知道过程和原理是怎么来的了...
基于卷积神经网络的猫狗识别
wth1231232的博客
06-21 349
基于卷积神经网络的猫狗识别 一、实验条件 1、安装了anaconda、Jupyter Notebook，并且完成了TensorFlow和Keras的环境配置 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torchvision 2、下载Kaggle狗猫数据集（mnist数据集略），并完成对数据的处理 数据链接：https
基于InceptionV3和迁移学习的 猫咪种类识别和管理系统（第一阶段）
qq_40409579的博客
11-21 1752
选题背景 目前随着猫咖、猫店等网红店铺的兴起，养猫这一爱好逐渐进入了大众的视野。从原本小众化的兴趣爱好变身为时尚潮流，意味着越来越多的爱猫养猫人士其实对猫咪品种其实并不熟悉。 猫咪品种种类纷繁复杂，对于刚刚接触的人来说，想要分清并不容易。一方面可能在买猫时会被店家宰割，本来是一只较便宜的土猫，在店家的口中摇身一变变成了进口的波斯猫。另一方面，猫的品种也决定了猫的生活习性和喜好，我们应该根据猫的品种...
python3 32.keras使用卷积神经网络(CNN)完成猫狗分类 学习笔记
112
03-23 3230
文章目录前言一、数据准备二、卷积神经网络模型构建三、训练和测试图片的预处理四、进行模型训练和保存五、对训练好的模型进行测试 前言      计算机视觉系列之学习笔记主要是本人进行学习人工智能（计算机视觉方向）的代码整理。本系列所有代码是用python3编写，在平台Anaconda中运行实现，在使用代码时，默认你已经安装相关的python库，这方面不做多余的说...
tensorflow测试_你的猫是什么猫？一起用TensorFlow机器学习测试猫品种！
weixin_39654848的博客
12-10 310
点击上方关注，All in AI中国本文将介绍如何使用迁移学习使用TensorFlow机器学习平台对图像进行分类。在机器学习环境中，迁移学习是一种技术，使我们能够重用已经训练的模型并将其用于另一个任务。 图像分类是将图像作为输入并为其分配具有概率的类(通常是标签)的过程。 该过程使用深度学习模型，即深度神经网络，或更详细的卷积神经网络(CNN)。 CNN由多个层组成，这些层中的每一个都负责学习和识...
ResNet从理论到实践（二）使用ResNet18进行猫狗分类
CV计算机视觉
06-08 4680
今天和大家分享一个开源项目，利用ResNet-18进行猫狗分类。整个项目基于Pytorch1.7实现。 项目地址为：https://gitee.com/cv365/cat-dog_classification 1.背景 给定25000张图片，其中一半图片内容为猫，另外一半图片内容为狗，如下图所示： 想要训练一个分类器，用于分类图片中的动物是猫还是狗。 我们将这25000张图片分成2部分，第一部分为20000张，2种类别各10000张，用于训练；第二部分为5000张，2种类别各2500张，用于测试网络性能。
pytorch尝试入门VGG，实现猫狗分类的baseline
BohnLee的博客
01-01 705
照着教程【实战 VGG实现kaggle猫狗图片分类】完整流程 | 提供VGG11，VGG13，VGG16，VGG19 Pytorch 代码写了一下午。做一下学习笔记。 关于报错 第一反应去看评论区，没人提到这个问题，应该是我手残打错了。再看看报错信息，提示两个矩阵不能相乘。按照我浅薄的理解，因为模型的输入需要一个固定的大小，我们应该是在初始化MyDataset的时候就已经把输入图片的矩阵resize成(224, 224)的形状了. 为什么要用Xavier做初始化 为什么要r.
0006期基于python深度学习的猫的种类识别-含数据集和代码
最新发布
fgddhhrrse的博客
01-27 1212
083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。117nlp自然语言处理-文本情感分类-joy-sadness-anger-fear-love-surprise。运行02深度学习模型训练.py就会将txt文本中记录的训练集和验证集进行读取训练，训练好后会保存模型在本地。
Torch搭建卷积神经网络实现猫的种类识别
05-12
好的，让我们来搭建一个卷积神经网络来实现猫的种类识别。 首先，我们需要导入相关的库。我们将使用PyTorch来构建我们的模型，并使用torchvision加载和预处理我们的数据集。 ```python import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms ``` 接下来，我们需要定义我们的数据集和数据加载器。我们将使用ImageFolder数据集，它会自动从文件夹中读取图像，并将它们标记为不同的类别。我们还将使用transforms来对图像进行预处理，例如将它们缩放为相同的大小并进行归一化。 ```python # 定义数据集和转换 transform = transforms.Compose( [transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) trainset = torchvision.datasets.ImageFolder(root='./data/train', transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) testset = torchvision.datasets.ImageFolder(root='./data/test', transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) classes = trainset.classes ``` 现在我们可以开始定义我们的模型。我们将使用一个卷积神经网络，其中包含三个卷积层和三个池化层，然后是两个全连接层。我们还将使用Dropout来减少过拟合。 ```python class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.conv3 = nn.Conv2d(16, 32, 5) self.fc1 = nn.Linear(32 * 25 * 25, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, len(classes)) self.dropout = nn.Dropout(p=0.5) def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = self.pool(nn.functional.relu(self.conv3(x))) x = x.view(-1, 32 * 25 * 25) x = self.dropout(nn.functional.relu(self.fc1(x))) x = self.dropout(nn.functional.relu(self.fc2(x))) x = self.fc3(x) return x net = Net() ``` 现在我们可以定义损失函数和优化器。我们将使用交叉熵损失函数和随机梯度下降优化器。 ```python criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) ``` 最后，我们可以开始训练我们的模型。我们将对模型进行10个周期的训练，并在每个周期后进行测试。 ```python # 训练模型 for epoch in range(10): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 2000 == 1999: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 # 在测试集上测试模型 correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the test images: %d %%' % ( 100 * correct / total)) ``` 这是一个基本的卷积神经网络模型，可以用来识别猫的不同品种。可以根据需要对其进行改进和调整，以提高其性能。
评论 13
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