神经网络实现猫的种类识别

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
评论 13
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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