首页 > 分享 > 【大作业

【大作业

花匠小妙招
2024-12-27 15:56

------------------------------------------------2024年12月17日更新-------------------------------------------------------------
目前已经距离这篇博客完成的时间过去了三年。在三年的时间里面，AI发生了巨大的变化，多模态、大模型的兴起，导致每个人在生活中都或多或少的接触到AI。
在各位小伙伴的支持下，目前我们的大作业专栏也已经更新了接近30期，因为每天来咨询的小伙伴比较多，我在这里把咨询的一些注意事项和常见的问题记录在这里，方便大家查看。

---------------》大作业系列常见问题答疑
------------------------------------------------------------------肆十二---------------------------------------------------------------------
花卉识别是卷积神经网络的入门案例，这里我将模型的训练、测试、保存以及使用整合在了一起，如果看博客不是很理解这个项目在做什么，可以看下方的视频内容，我在视频中对原理和操作都进行了解析。

【大作业-01】基于tensorflow2.3的花卉识别程序

【大作业-01】基于tensorflow2.3的花卉识别程序_哔哩哔哩 (゜-゜)つロ干杯~-bilibili

数据集和模型下载地址

【大作业-01】基于tensorflow和卷积神经网路的花卉识别系统.zip

文件目录

flower_tensorflow2.0 ├─ data_read.py # 数据读取 ├─ data_split.py # 数据切分 ├─ images # 图片文件 │ ├─ 123.jpg │ ├─ init.png │ ├─ logo.png │ ├─ target.png │ ├─ 主页面.png │ └─ 关于.png ├─ window.py # ui界面 ├─ models # 模型 │ ├─ cnn_flower.h5 │ └─ mobilenet_flower.h5 ├─ readme.md ├─ requirements.txt # 安装需求 ├─ test_model.py # 模型测试 └─ train_model.py # 模型训练

123456789101112131415161718

如何使用

首先你需要下载项目到你的本地。

实践方面，学习深度学习离不开python，工欲善其事必先利其器，你需要掌握两个最基础的软件的使用，分别是用了管理python环境的anaconda和用于编辑调试代码的pycharm。

您可以通过这期视频对这两个软件进行学习：【2024毕设系列】Anaconda和Pycharm如何使用_哔哩哔哩_bilibili

初次之外，如果您在后续的学习和工作中经常使用到深度学习，那对于服务器的基本操作也需要掌握：手把手教你使用服务器训练AI模型_哔哩哔哩_bilibili

确定你的电脑已经安装好了PyQt5、tensorflow2.0以及opencv-python等相关软件之后，你可以执行下列命令进行安装

cd flower_tensorflow2.3 conda create -n flower_demo pip install -r requirements.txt 123

如果你想要重新训练你的模型，请执行

python train_mobilenet.py python train_cnn.py 12

训练的详细脚本如下：

# -*- coding: utf-8 -*- # @Time : 2021/6/17 20:29 # @Author : 肆十二 # @Email : 3045834499@qq.com # @File : train_mobilenet.py # @Software: PyCharm # @Brief : mobilenet模型训练代码，训练的模型会保存在models目录下，折线图会保存在results目录下 import tensorflow as tf import matplotlib.pyplot as plt from time import * # 数据集加载函数，指明数据集的位置并统一处理为imgheight*imgwidth的大小，同时设置batch def data_load(data_dir, test_data_dir, img_height, img_width, batch_size): # 加载训练集 train_ds = tf.keras.preprocessing.image_dataset_from_directory( data_dir, label_mode='categorical', seed=123, image_size=(img_height, img_width), batch_size=batch_size) # 加载测试集 val_ds = tf.keras.preprocessing.image_dataset_from_directory( test_data_dir, label_mode='categorical', seed=123, image_size=(img_height, img_width), batch_size=batch_size) class_names = train_ds.class_names # 返回处理之后的训练集、验证集和类名 return train_ds, val_ds, class_names # 构建mobilenet模型 # 模型加载，指定图片处理的大小和是否进行迁移学习 def model_load(IMG_SHAPE=(224, 224, 3), class_num=12): # 微调的过程中不需要进行归一化的处理 # 加载预训练的mobilenet模型 base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE, include_top=False, weights='imagenet') # 将模型的主干参数进行冻结 base_model.trainable = False model = tf.keras.models.Sequential([ # 进行归一化的处理 tf.keras.layers.experimental.preprocessing.Rescaling(1. / 127.5, offset=-1, input_shape=IMG_SHAPE), # 设置主干模型 base_model, # 对主干模型的输出进行全局平均池化 tf.keras.layers.GlobalAveragePooling2D(), # 通过全连接层映射到最后的分类数目上 tf.keras.layers.Dense(class_num, activation='softmax') ]) model.summary() # 模型训练的优化器为adam优化器，模型的损失函数为交叉熵损失函数 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) return model # 展示训练过程的曲线 def show_loss_acc(history): # 从history中提取模型训练集和验证集准确率信息和误差信息 acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] # 按照上下结构将图画输出 plt.figure(figsize=(8, 8)) plt.subplot(2, 1, 1) plt.plot(acc, label='Training Accuracy') plt.plot(val_acc, label='Validation Accuracy') plt.legend(loc='lower right') plt.ylabel('Accuracy') plt.ylim([min(plt.ylim()), 1]) plt.title('Training and Validation Accuracy') plt.subplot(2, 1, 2) plt.plot(loss, label='Training Loss') plt.plot(val_loss, label='Validation Loss') plt.legend(loc='upper right') plt.ylabel('Cross Entropy') plt.title('Training and Validation Loss') plt.xlabel('epoch') plt.savefig('results/results_mobilenet.png', dpi=100) def train(epochs): # 开始训练，记录开始时间 begin_time = time() # todo 加载数据集，修改为你的数据集的路径 train_ds, val_ds, class_names = data_load("../split_data/train", "../split_data/val", 224, 224, 16) print(class_names) # 加载模型 model = model_load(class_num=len(class_names)) # 指明训练的轮数epoch，开始训练 history = model.fit(train_ds, validation_data=val_ds, epochs=epochs) # todo 保存模型，修改为你要保存的模型的名称 model.save("models/mobilenet_new.h5") # 记录结束时间 end_time = time() run_time = end_time - begin_time print('该循环程序运行时间：', run_time, "s") # 该循环程序运行时间： 1.4201874732 # 绘制模型训练过程图 show_loss_acc(history) if __name__ == '__main__': train(epochs=30)

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112

这里我提供了两个模型的训练，分别是基础的lenet模型和进阶的轻量化模型mobilenet，训练结束之后将会输出训练过程中的准确率和误差曲线，如下图所示。
在这里插入图片描述