【免费】基于pytorch的深度学习花朵种类识别项目完整教程（内涵完整文件和代码）
README
整体思路介绍：
项目要求：
基于 pytorch 搭建神经网络分类模型识别花的种类，输入一张花的照片，输出显示最有可能的前八种花的名称和该种花的照片。
分三大步骤操作：
数据集预处理操作： 读取数据集数据 构建神经网络的数据集 数据增强：torchvision中transforms模块自带功能，将数据集中照片进行旋转、翻折、放大...得到更多的数据 数据预处理：torchvision中transforms也帮我们实现好了，直接调用即可 处理好的数据集保存在DataLoader模块中，可直接读取batch数据 网络模型训练操作： 迁移pytorch官网中models提供的resnet模型 torchvision中有很多经典网络架构，调用起来十分方便，并且可以用人家训练好的权重参数来继续训练，也就是所谓的迁移学习 选择GPU计算、选择训练哪些层、优化器设置、损失函数设置... 训练全连接层 前几层都是做特征提取的，本质任务目标是一致的，前面的先不动，先训练最后一层全连接层 再训练所有层 预测种类操作： 加载训练好的模型 模型保存的时候可以带有选择性，例如在验证集中如果当前效果好则保存 设置检测图像的数据 设置展示界面并进行预测程序结构介绍：
flower_function/定义函数程序：
（在该程序中定义相关函数，以便在其他程序中进行调用）
图像增强（数据集预处理处理） 处理照片数据函数 检测照片预处理函数 展示一张照片函数flower_dataset/数据集处理程序：
读取数据集（训练集测试集）数据 构建神经网络的数据集flower_model网络模型训练程序：
冻结神经网络权重函数 修改全连接层函数（官方） 训练模型函数 加载并修改models中提供的resnet模型open 开始训练全连接层（0-19） 再继续训练所有层（0-9）flower_forecast预测程序：
冻结神经网络权重函数 修改全连接层函数 加载测试模型 设置检测图像数据 设置展示界面程序内容说明：
代码整洁操作说明：
两行“”“”“open、”“”“”end封装的是该模块的程序 #是单行注释"""""""""""""""加载测试模型open""""""""""""""" #加载模型 model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True) ...... """""""""""""""加载测试模型end"""""""""""""""
迁移学习：
pytorch->transforms->resnet->models
用相似的模型的权重初始化、全连接层需要改变
模块化编程说明：
1、一个文件程序写全部代码有两个问题：
1）功能分工不明确
2）每次都要重新跑训练网络
2、模块化编程：将功能函数分别放到不同的程序中，程序中相互调，可以分别进行功能测试
3、模块化编程两种方式：
A中：
import B
B.function
A中：
from B import function
function
4、注意import循环重载：
利用pycharm这种IDE进行模块化编程，多个.py文件相互import容易发生循环重载
先了解下import的原理： 例：A中importB，当顺序执行A，遇到相关数据需要调用B时，停止执行A，去执行B，B执行完了再执行A，如果A、B相互调用的话会报错
解决办法： 当A中importB，当B又需要调用A时，把需要的A中参数定义、函数定义在B中再写一遍
项目操作：
1、用pycharm或其他IDE需要配置python、pytorch环境
2、迁移学习的模型已经下载在文件中，不用重新下载
3、直接单独运行flower_forecast预测程序，可在设置检测图像数据模块中更换照片检测
4、如果想看神经网络搭建过程，直接运行flower_model网络模型训练程序
关于我学习神经网络的一些坑和一些建议：
1、神经网络是个黑盒子，只要不是深入研究，我们做工程性项目重点是用神经网络而不是从0搭建网络，重点是利用神经网络做工程性项目，没有必要搞懂里面每一步（之前踩的坑，又麻烦又浪费时间）
2、简单学习CNN基本原理后，直接去网上找个注释写的相当详细的开源程序去读
3、用好迁移学习，即调用pyorch官网上已经训练好的相关模型，根据我们自己的项目重新训练
4、先把每段代码都写上功能注释（里面一些具体参数和步骤了解即可，一定要写，有助于理解复杂的神经网络流程），再试着动手调别人的网络模型，最后试着这套模板应用到别的项目（数据集）上
5、推荐B站上唐宇迪的课
附上完整代码：
flower_function/定义函数程序：
```python import numpy as np import torch import matplotlib.pyplot as plt from PIL import Image
from torchvision import transforms, models
filename='checkpoint.pth' device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
"""""""""""""""图像增强（数据集预处理处理）open""""""""""""""" #图像增强：将数据集中照片进行旋转、翻折、放大...得到更多的数据 #ImageFolder假设所有的文件按文件夹保存好，每个文件夹下面存贮同一类别的图片，文件夹的名字为分类的名字 data_transforms = { #data_transforms中指定了所有图像预处理操作,只需要修改训练集和验证集的名字后复制粘贴 'train': transforms.Compose([transforms.RandomRotation(45),#随机旋转，-45到45度之间随机选 transforms.CenterCrop(224),#从中心开始裁剪 transforms.RandomHorizontalFlip(p=0.5),#随机水平翻转 选择一个概率概率 transforms.RandomVerticalFlip(p=0.5),#随机垂直翻转 transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation=0.1, hue=0.1),#参数1为亮度，参数2为对比度，参数3为饱和度，参数4为色相 transforms.RandomGrayscale(p=0.025),#概率转换成灰度率，3通道就是R=G=B transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])#均值，标准差 ]), 'valid': transforms.Compose([transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), } """""""""""""""图像增强（数据集预处理处理）end"""""""""""""""
"""""""""""""""处理照片数据函数open""""""""""""""" #注意tensor的数据需要转换成numpy的格式，而且还需要还原回标准化的结果 def im_convert(tensor):
image = tensor.to("cpu").clone().detach() image = image.numpy().squeeze() # 还原回h，w，c image = image.transpose(1, 2, 0) # 被标准化过了，还原非标准化样子 image = image * np.array((0.229, 0.224, 0.225)) + np.array((0.485, 0.456, 0.406)) image = image.clip(0, 1) return image
"""""""""""""""处理照片数据函数end"""""""""""""""
"""""""""""""""检测照片预处理函数open""""""""""""""" def process_image(image_path): # 读取测试数据 img = Image.open(image_path) # Resize,thumbnail方法只能进行缩小，所以进行了判断 if img.size[0] > img.size[1]: img.t
相关知识
基于深度学习和迁移学习的识花实践
深度学习YOLOv7实现的农作物病虫害识别与防治系统教程
基于YOLOv8深度学习的102种花卉智能识别系统【python源码+Pyqt5界面+数据集+训练代码】目标识别、深度学习实战
基于深度学习的花卉检测与识别系统（YOLOv5清新界面版，Python代码）
基于pytorch的图像识别基础完整教程
基于深度学习的稻田虫害检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的农作物害虫检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于YOLOv8深度学习的葡萄病害智能诊断与防治系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战
基于深度学习的花卉检测与识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于YOLOv8深度学习的智能玉米害虫检测识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
网址: 【免费】基于pytorch的深度学习花朵种类识别项目完整教程（内涵完整文件和代码） https://m.huajiangbk.com/newsview460472.html
| 上一篇: 高光谱图像分类工具包：精准识别的 |
下一篇: 花卉种类识别(花卉种类识别的预处 |
