使用CNN或resnet，分别在flower5，flower17，flower102数据集上实现花朵识别分类-附源码-免费

前言

使用cnn和resnet实现了对flower5，flower17，flower102数据集上实现花朵识别分类。也就是6份代码，全部在Gitee仓库里，记得点个start支持谢谢。

本文给出flower17在cnn网络实现，flower102在resnet网络实现的代码。其余在Gitee仓库中，还附有学习其他博主的模型的代码。

前置准备

理论：一定的深度学习，卷积神经网络的理论知识学习，python基础语法。

环境：Anaconda3安装，python安装，pycharm安装，相应的依赖包安装，如TensorFlow，matplotlib，pillow，pandas等。

数据集

介绍

flower5

flower17

flower102

下载

https://gitee.com/karrysmile/flower_data.git

每个flower.*文件夹就是一个数据集。

每个数据集中包含train,valid文件夹，分别作训练集和数据集用。

训练集和数据集文件架构相同，包含文件夹相同，同种花归为一个文件夹，以花名为文件夹名。

运行要求

我的电脑配置是

flower5,17可以在本地运行，flower102建议用显卡跑。没有显卡的可以到腾讯云或其他平台，租一个服务器来跑，我租了一个Tesla V4显卡来跑，1.6r一小时，用钱换时间。

代码

代码思路

  1. 导入数据集
  2. 数据预处理
  3. 构建模型
  4. 训练模型
  5. 调参优化
  6. 结果可视化
  7. 模型复用

代码解释

以flower17数据集的cnn模型，flower102数据集的resnet模型作为举例，其余在文末的仓库里。

每行代码都加了注释，看注释吧。

# flower17_cnn
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
import sys
import datetime
from keras.callbacks import ReduceLROnPlateau, EarlyStopping, ModelCheckpoint
# 打印环境版本信息 作者信息
print("@Author karrysmile")
print("@Date "+datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
print("Python version:"+sys.version)
print("TensorFlow version:", tf.__version__)# 设置GPU设备 有的话动态增长
physical_devices = tf.config.list_physical_devices('GPU')
if physical_devices:tf.config.experimental.set_memory_growth(physical_devices[0], True)# 该数据集总共1360个文件，其中1190用于训练集，170用于验证集# 数据准备和增强
# 文件目录
train_data_dir = 'flower_data/train'
valid_data_dir = 'flower_data/valid'
# 批处理大小
batch_size = 32
# 每张图片的重塑大小
image_size = (128, 128)# 使用 ImageDataGenerator 对图像进行数据增强
train_datagen = ImageDataGenerator(# 设定数据增强的模式参数# 将图像的像素值缩放到 [0, 1] 范围内。rescale=1./255,# 随机旋转图像30度rotation_range=30,# 随机水平平移20%width_shift_range=0.2,# 随机垂直平移20%height_shift_range=0.2,# 随机应用错切变换20度shear_range=0.2,# 随机缩放图像尺寸20%zoom_range=0.2,# 随机进行水平翻转horizontal_flip=True,# 随机亮度变化20%brightness_range=[0.8, 1.2],  # 亮度范围
)
# 验证集只把图像的像素值缩放到 [0, 1] 范围内。
test_datagen = ImageDataGenerator(rescale=1./255)# 应用数据增强模型，设定训练数据，从文件目录读取图像
train_generator = train_datagen.flow_from_directory(# 训练集目录train_data_dir,# 图片重塑大小target_size=image_size,# 批处理张数batch_size=batch_size,# 分类模型 - 多分类class_mode='categorical',
)
# 应用数据增强模型，设定验证集数据，从文件目录读取图像
valid_generator = test_datagen.flow_from_directory(# 验证集目录valid_data_dir,# 重塑图像大小target_size=image_size,# 批处理数batch_size=batch_size,# 设定分类模型class_mode='categorical',
)# 搭建CNN模型
model = tf.keras.models.Sequential([# 卷积层，32个filter，卷积核大小为3x3，激活函数为relu，输入形状为(128, 128, 3)，长x宽x3通道(RGB)tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)),# 最大池化层 提取主要特征，减少计算量tf.keras.layers.MaxPooling2D(2, 2),tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),tf.keras.layers.MaxPooling2D(2, 2),# 卷积层，64个filter，卷积核大小3x3，激活函数为relutf.keras.layers.Conv2D(64, (3, 3), activation='relu'),tf.keras.layers.MaxPooling2D(2, 2),# 最大池化层 提取主要特征，减少计算量tf.keras.layers.BatchNormalization(),# 卷积层，128个filter，卷积核大小为3x3，激活函数为relutf.keras.layers.Conv2D(128, (3, 3), activation='relu'),tf.keras.layers.BatchNormalization(),tf.keras.layers.MaxPooling2D(2, 2),# 将多维输入数据展平为一维向量，以便连接到全连接层tf.keras.layers.Flatten(),# 全连接层，512维，激活函数为relutf.keras.layers.Dense(512, activation='relu'),# dropout 30%的数据 避免过拟合tf.keras.layers.Dropout(0.3),# 全连接层，输出，17个维度对应17种花，激活函数为softmax，用于多分类tf.keras.layers.Dense(17, activation='softmax')
])# 设定优化器 Adam 初始学习率为0。001
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
# 编译模型，优化器选择Adam，损失函数为交叉熵损失函数，适用于多类别分类问题，准确率作为评估模型性能的指标
model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])
# 打印出模型的摘要信息，包括每一层的名称、输出形状和参数数量等
model.summary()# 训练模型
# 检查点，根据验证准确率，每个epoch判断要不要保存最好的模型  保存整个模型
checkpoint = ModelCheckpoint("model", monitor='val_accuracy', verbose=1,save_best_only=True, save_weights_only=False, mode='auto', save_freq='epoch')
# 早退，当设定的n个epoch发生，验证准确率都没有发生提升，就退出
early = EarlyStopping(monitor='val_accuracy', min_delta=0, patience=50, verbose=1, mode='auto')
# 减少学习率 检测val_loss 如果5个epoch没有发生更好的变化，就变为原来的二分之一，避免过拟合
reduce_lr = ReduceLROnPlateau(monitor='val_loss', patience=5, mode='auto',factor=0.5)
# 模型训练，结果保存到history
history = model.fit(# 训练数据放进来train_generator,# 计算每个epoch的数量（总长度 除以 批处理大小）steps_per_epoch=train_generator.samples // batch_size,# 要跑的轮数epochs=1000,# 批处理大小batch_size=batch_size,validation_data=valid_generator,validation_steps=valid_generator.samples // batch_size,# 回调函数，用于监测和调整超参数callbacks=[reduce_lr,checkpoint,early]
)
# 保存模型
model.save('flower17_cnn.h5')
model.save('flower17_cnn')
# 用全部测试数据评估模型
test_loss, test_acc = model.evaluate(valid_generator, verbose=2)
print('\nTest accuracy:', test_acc)# 绘制训练和测试损失
plt.plot(history.history['loss'], label='train_loss')
plt.plot(history.history['val_loss'], label='valid_loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()# 绘制训练和测试准确率
plt.plot(history.history['accuracy'], label='train_acc')
plt.plot(history.history['val_accuracy'], label='valid_acc')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

# flower102_resnet18
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
import sys
import datetime
from keras.callbacks import ReduceLROnPlateau, EarlyStopping, ModelCheckpoint
# 打印环境版本信息 作者信息
print("@Author karrysmile")
print("@Date "+datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
print("Python version:"+sys.version)
print("TensorFlow version:", tf.__version__)# 设置GPU设备
physical_devices = tf.config.list_physical_devices('GPU')
if physical_devices:tf.config.experimental.set_memory_growth(physical_devices[0], True)# 数据准备和增强
train_data_dir = 'flower_data/train'
valid_data_dir = 'flower_data/valid'
batch_size = 32
image_size = (128, 128)train_datagen = ImageDataGenerator(rescale=1./255,rotation_range=30,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,brightness_range=[0.8, 1.2],  # 亮度范围
)valid_datagen = ImageDataGenerator(rescale=1./255)train_generator = train_datagen.flow_from_directory(train_data_dir,target_size=image_size,batch_size=batch_size,class_mode='categorical',
)valid_generator = valid_datagen.flow_from_directory(valid_data_dir,target_size=image_size,batch_size=batch_size,class_mode='categorical',
)def ConvLayer(x,filters,kernel_size,stride):x = tf.keras.layers.Conv2D(filters=filters, kernel_size=kernel_size, strides=stride,padding='same')(x)x = tf.keras.layers.BatchNormalization(epsilon=1e-5,momentum=0.1)(x)return xdef ResNetBlock(input,filters,kernel_size,strides):x = ConvLayer(input,filters,kernel_size,strides)x = tf.keras.layers.Activation('relu')(x)x = ConvLayer(x,filters,kernel_size,(1,1))if strides != (1,1):residual = ConvLayer(input,filters,(1,1),strides)else:residual = inputx = x+residualx = tf.keras.layers.Activation('relu')(x)return xdef ResNet(input_size):# headx = ConvLayer(input_size,64,(7,7),(2,2))x = tf.keras.layers.Activation('relu')(x)x = tf.keras.layers.MaxPooling2D(3,strides=2,padding='same')(x)# layer1-------------------x = ResNetBlock(x,64,(3,3),(1,1))x = ResNetBlock(x,64,(3,3),(1,1))# layer2-------------------x = ResNetBlock(x,128,(3,3),(2,2))x = ResNetBlock(x,128,(3,3),(1,1))# layer3-------------------x = ResNetBlock(x,256,(3,3),(2,2))x = ResNetBlock(x,256,(3,3),(1,1))# layer4-------------------x = ResNetBlock(x,512,(3,3),(2,2))x = ResNetBlock(x,512,(3,3),(1,1))# tailx = tf.keras.layers.AvgPool2D(1)(x)x = tf.keras.layers.Flatten()(x)x = tf.keras.layers.Dense(512, activation='relu')(x)output = tf.keras.layers.Dense(102, activation='softmax')(x)return outputinputs = tf.keras.Input((128,128,3))
outputs = ResNet(inputs)
model = tf.keras.Model(inputs,outputs)optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])
model.summary()
# 训练模型
checkpoint = ModelCheckpoint("model", monitor='val_accuracy', verbose=1,save_best_only=True, save_weights_only=False, mode='auto', save_freq='epoch')
early = EarlyStopping(monitor='val_accuracy', min_delta=0, patience=10, verbose=1, mode='auto')
reduce_lr = ReduceLROnPlateau(monitor='val_loss', patience=3, mode='auto',factor=0.2)
history = model.fit(train_generator,steps_per_epoch=train_generator.samples // batch_size,epochs=50,batch_size=batch_size,validation_data=valid_generator,validation_steps=valid_generator.samples // batch_size,callbacks=[reduce_lr,checkpoint,early]
)# 保存为h5文件
model.save('flower102_resnet.h5')
# 保存为文件夹形式，可以注释掉
model.save('flower102_resnet')test_loss, test_acc = model.evaluate(valid_generator, verbose=2)
print('\nTest accuracy:', test_acc)# 绘制训练和测试损失
plt.plot(history.history['loss'], label='train_loss')
plt.plot(history.history['val_loss'], label='valid_loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()# 绘制训练和测试准确率
plt.plot(history.history['accuracy'], label='train_acc')
plt.plot(history.history['val_accuracy'], label='valid_acc')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

运行结果

flower17_cnn

flower102_resnet18

随机加载一张图片来验证

在根目录下放置一张test.jpg，加载这张图片并输出验证结果。

import keras.models
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.preprocessing import image# 加载SavedModel格式的模型
loaded_model = keras.models.load_model('flower17_cnn')# 进行预测等操作# 读取测试图片
img_path = 'test.jpg'  # 测试图片的路径
img = image.load_img(img_path, target_size=(128, 128))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array /= 255.# 进行预测
prediction = loaded_model.predict(img_array)
predicted_class_index = np.argmax(prediction)
class_labels = ['bluebell', 'buttercup', 'colts_foot', 'cowslip', 'crocus', 'daffodil', 'daisy', 'dandelion', 'fritillary', 'iris', 'lily_valley', 'pansy', 'snowdrop', 'sunflower', 'tigerlily', 'tulip', 'windflower']
predicted_class = class_labels[predicted_class_index]print("当前图片预测的类型是：--->>>", predicted_class)# 显示预测结果
plt.imshow(img)
plt.title('Predicted: {}'.format(predicted_class))
plt.axis('off')
plt.show()

运行结果

总结

  1. 真的需要算力，不然很多时间都留在等待上面，但又恰恰因为等待，可以有更深的思考（所以需要一定时间的等待，但不能过长）
  2. 不要随意更新或者卸载依赖包，会容易影响整个环境的包之间的版本不匹配
  3. 越深层的网络，需要考虑的东西越多，如果不考虑，仅仅是堆深度，可能根本学不到东西，甚至比原来更差。
  4. 图片进行垂直翻转，会出现验证率下降的问题。待验证和解决。
  5. 最好是自动监控与停止，多参考别人的代码。

参考文章

ResNet18详细原理（含tensorflow版源码）_resnet18网络结构-CSDN博客

（四）pytorch图像识别实战之用resnet18实现花朵分类(代码+详细注解)_pytorch中调用resnet18进行分类-CSDN博客

TensorFlow指定GPU使用及监控GPU占用情况_taskflow gpu-CSDN博客

Gitee仓库

包含两种模型（cnn，resnet）在三个数据集（flower5,17,102）上的六个实现，用ipynb存储。

resnet附上了其他作者的迁移预训练结果的代码。文件名包含example的代码不是本人写的。

https://gitee.com/karrysmile/flowers.git

有用请点个star，按赞收藏关注。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/681089.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

effective python学习笔记_推导与生成

effective python学习笔记_推导与生成

用推导取代map和filter 序列推导可取代map和filter，优越性有：1可读性强2不需要map的函数 控制推导逻辑的子表达式不要超过2个 即推导的for层数最多建议两层，多了可读性会下降，反而用for循环会清晰 一层for内可连接多个if&…
阅读更多...
Segmentation fault (core dumped)排查

Segmentation fault (core dumped)排查

先泼盆冷水，这个问题比较棘手，有的能通过重装opencv相关包修复，有的可能还是直接换一个没问题的环境比较快…… 我最后是没有解决的，折腾了几个小时后，还是听同事的话，把docker镜像重启了，幸好…
阅读更多...
数据存储-SQLite

数据存储-SQLite

一般使用到数据库存储，涉及到的数据量都较大，采用文件存储也能完成，但是文件操作复杂，效率低，大量结构化数据通常采用关系型数据库存储较为合适。Android中已经嵌入了轻量级的关系型数据库SQLite，直接按照数…
阅读更多...
PY计算生态是什么？

PY计算生态是什么？

Python 的计算生态指的是与 Python 相关的广泛的软件、库、框架和工具集合. 它们为各种计算任务提供了丰富的解决方案和支持。Python 作为一种简洁、易学、功能强大的编程语言，在科学计算、数据分析、人工智能、机器学习等领域都有着强大的影响力。以下是 Python 计…
阅读更多...
利用组合数进行幂集索引

利用组合数进行幂集索引

在计算机科学中，通常使用二进制表示来表示子集的包含情况。如果集合中有n个元素，那么幂集的大小为2^n。考虑一个集合{a, b, c}，其幂集为{{}, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, {a, b, c}}。每个子集都可以用二进制数来表示&#xff0c…
阅读更多...
每日两题 / 104. 二叉树的最大深度 102. 二叉树的层序遍历（LeetCode热题100）

每日两题 / 104. 二叉树的最大深度 102. 二叉树的层序遍历（LeetCode热题100）

104. 二叉树的最大深度 - 力扣（LeetCode） 递归判断，当前节点的最大深度为1 max(左节点的最大深度，右节点的最大深度) /*** Definition for a binary tree node.* struct TreeNode {* int val;* TreeNode *left;* …
阅读更多...
回答篇：测试开发高频面试题目

回答篇：测试开发高频面试题目

引用之前文章：《测试开发高频面试题目》 https://blog.csdn.net/qq_41214208/article/details/138193469?spm1001.2014.3001.5502 本篇文章是回答篇（持续更新中） 1. 什么是测试开发以及其在软件开发流程中的作用。 a. 测试开发是指测试人员或…
阅读更多...
Web LLM 攻击实验：利用 LLM API 实现 SQL 注入

Web LLM 攻击实验：利用 LLM API 实现 SQL 注入

前言 Web LLM 攻击 各组织都在急于集成大型语言模型 (LLM)，以改善其在线客户体验。这使他们面临 Web LLM 攻击，这些攻击利用模型对攻击者无法直接访问的数据、API 或用户信息的访问权限。例如，攻击可能： 检索 LLM 有权访问的数…
阅读更多...
Android 查看CUP占用率

Android 查看CUP占用率

查看每个进程CUP占用率的几种方式,由于自己充电界面老是导致整机温度过高，后面发现自己的线程一直在跑，相当于死循环，后面加上sleep才得以改善；先看看几种查询方式吧。 1、adb shell top 2、adb shell busybox top 3、adb shell …
阅读更多...
美易官方：收盘美股涨跌不一，道指连续第6日收高

美易官方：收盘美股涨跌不一，道指连续第6日收高

收盘之际，美股市场呈现出涨跌不一的态势，道指连续第6日收高，这无疑为投资者带来了一定的市场信心。然而，这种信心似乎并不稳固，因为市场的波动性和不确定性仍然存在。 美股周三收盘涨跌不一，道指连续第6个交…
阅读更多...
Oracle数据库如何插入平方(²)立方(³)字符

Oracle数据库如何插入平方(²)立方(³)字符

第一步：创建数据表，字段一定要是NVARCHAR2类型的 第二步，插入数据用 unistr(1\00b3) 形式的写法 00b3 代表m，00b2代表㎡ SELECT * FROM TESTABC; UPDATE TESTABC set NAME1unistr(1\00b3); UPDATE TESTABC set NAME2unistr(2\00b2…
阅读更多...
Mysql 8.0.33 迁移至 Postgresql 16.2

Mysql 8.0.33 迁移至 Postgresql 16.2

小伙伴们，你们好，我是老寇，我又回来，几个月不见，甚是想念啊！！！！ 这不，云平台需要改造，将Mysql替换成Postgresql，话说回来&#xff0c…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023