基于TensorFlow训练花朵识别模型的源码和Demo
基于TensorFlow训练花朵识别模型的源码和Demo
下面就通过对现有的 Google Inception-V3 模型进行 retrain ，对 5 种花朵样本数据的进行训练，来完成一个可以识别五种花朵的模型，并将新训练的模型进行测试部属，让大家体验一下完整的流程。
有问题，请评论提问，紧急问题可以看置顶博客加入作者学术交流QQ群。有很多人留言让代码上传到GitHub，其实没多少代码，已经上传到https://github.com/Anymake/tensorflow_flow_demo
其他平台可以直接参考官网说明：Installing TensorFlow
首先检查系统是否安装了 Python要安装 TensorFlow ，你的系统必须依据安装了以下任一 Python 版本：
Python 2.7Python 3.3+如果做数据处理较多的话，建议安装Anaconda， Anaconda 是一种Python语言的免费增值开源发行版 ，用于进行大规模数据处理, 预测分析, 和科学计算, 致力于简化包的管理和部署。Anaconda使用软件包管理系统Conda进行包管理。安装完成后输入shell下输入python即可查看Anaconda对应的Python 版本，我使用的是Python 2.7.14：
➜ ~ python Python 2.7.14 |Anaconda, Inc.| (default, Dec 7 2017, 11:07:58) [GCC 4.2.1 Compatible Clang 4.0.1 (tags/RELEASE_401/final)] on darwin Type "help", "copyright", "credits" or "license" for more information. 12345
如果你的系统还没有安装符合以上版本的 Python，现在安装。
通过 pip 安装 TensorFlow# Python 2 ➜ pip install tensorflow # Python 3 ➜ pip3 install tensorflow 12345 通过官方样例测试 TensorFlow 是否正常安装
进入 Python 环境后输入以下代码，当出现 “Hello, TensorFlow!” 时表明已经安装成功，可正常使用 TensorFlow 了。
➜ python import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello)) Hello, TensorFlow! 1234567 准备训练样本
现在我们要训练花朵的识别模型，这是 Google 在TensorFlow里面提供的一个例子，其中包含了5类花朵的训练图片。可以新建个flower_demo文件夹，用于存放数据和训练的模型。
下载并解压得到训练样本
cd flower_demo # 下载和解压花朵训练数据 curl -O http://download.tensorflow.org/example_images/flower_photos.tgz tar xzf flower_photos.tgz 12345
打开训练样本文件夹 flower_photos ，里面有 5 种类别的花：daisy(雏菊), dandelion(蒲公英), roses(玫瑰), sunflowers(向日葵) , tulips(郁金香)，总共3672张，每个类别的大概有 600-900 张训练样本图片,具体如下：
cd flower_photos for dir in `find ./ -maxdepth 1 -type d`;do echo -n -e "$dirt";find $dir -type f|wc -l ;done; ./ 3672 .//roses 641 .//sunflowers 699 .//daisy 633 .//dandelion 898 .//tulips 799 123456789 开始训练
下载训练模型使用的 retrain 脚本
该脚本会自动下载 google Inception v3 模型相关文件，retrain.py 是 Google 提供的以ImageNet图片分类模型为基础模型，利用flower_photos数据迁移训练花朵识别模型的脚本。
cd flower_demo curl -O https://raw.githubusercontent.com/tensorflow/tensorflow/r1.1/tensorflow/examples/image_retraining/retrain.py 123
启动训练脚本，开始训练模型
在运行 retrain.py 脚本时，需要配置一些运行命令参数，比如指定模型输入输出相关名称和其他训练要求的配置。其中--how_many_training_steps=4000配置代表训练迭代次数，默认值为4000，如果机器较差，可以适当减少这个值。
➜ cd flower_demo ➜ python3 retrain.py --bottleneck_dir=bottlenecks --how_many_training_steps=4000 --model_dir=inception --summaries_dir=training_summaries/basic --output_graph=retrained_graph.pb --output_labels=retrained_labels.txt --image_dir=flower_photos 12345678910
这里我们训练4000steps，时间不是很久，我在配备4.2 GHz Intel Core i7处理器的iMac上，不适用GPU大概就5分钟就能训练完成。模型训练完成后，可以看到测试集上Final test accuracy = 92.1%，也就是说我们训练的5类花朵识别模型，在测试集上已经有92%的识别准确率了。其中生成的 retrained_labels.txt 和 retrained_graph.pb 这两个是模型相关文件。
2018-06-02 15:47:00.266119: Step 3950: Train accuracy = 94.0% 2018-06-02 15:47:00.266159: Step 3950: Cross entropy = 0.135385 2018-06-02 15:47:00.327843: Step 3950: Validation accuracy = 93.0% (N=100) 2018-06-02 15:47:00.976543: Step 3960: Train accuracy = 94.0% 2018-06-02 15:47:00.976591: Step 3960: Cross entropy = 0.234760 2018-06-02 15:47:01.038559: Step 3960: Validation accuracy = 91.0% (N=100) 2018-06-02 15:47:01.667255: Step 3970: Train accuracy = 97.0% 2018-06-02 15:47:01.667372: Step 3970: Cross entropy = 0.167394 2018-06-02 15:47:01.731935: Step 3970: Validation accuracy = 87.0% (N=100) 2018-06-02 15:47:02.355780: Step 3980: Train accuracy = 96.0% 2018-06-02 15:47:02.355818: Step 3980: Cross entropy = 0.151201 2018-06-02 15:47:02.418314: Step 3980: Validation accuracy = 91.0% (N=100) 2018-06-02 15:47:03.042364: Step 3990: Train accuracy = 99.0% 2018-06-02 15:47:03.042402: Step 3990: Cross entropy = 0.094383 2018-06-02 15:47:03.103718: Step 3990: Validation accuracy = 91.0% (N=100) 2018-06-02 15:47:03.667861: Step 3999: Train accuracy = 99.0% 2018-06-02 15:47:03.667899: Step 3999: Cross entropy = 0.106797 2018-06-02 15:47:03.729215: Step 3999: Validation accuracy = 94.0% (N=100) Final test accuracy = 92.1% (N=353)
12345678910111213141516171819 测试训练完成后的模型同样的，我们先下载测试模型的脚本 label_image.py，然后从flower_photos/daisy/文件夹下选择图片488202750_c420cbce61.jpg，测试我们训练后的模型的识别准确率，当然你也可以百度搜索一张5类花朵的任意一张图测试识别效果，从下图可以看出，我们训练的算法模型认为这张图属于daisy的概率高达98.9%.
➜ cd flower_demo ➜ curl -L https://goo.gl/3lTKZs > label_image.py ➜ python label_image.py flower_photos/daisy/488202750_c420cbce61.jpg daisy (score = 0.98921) sunflowers (score = 0.00948) dandelion (score = 0.00088) tulips (score = 0.00038) roses (score = 0.00005) 123456789
有人说label_image.py无法下载，代码如下：
import os, sys import tensorflow as tf os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # change this as you see fit image_path = sys.argv[1] # Read in the image_data image_data = tf.gfile.FastGFile(image_path, 'rb').read() # Loads label file, strips off carriage return label_lines = [line.rstrip() for line in tf.gfile.GFile("retrained_labels.txt")] # Unpersists graph from file with tf.gfile.FastGFile("retrained_graph.pb", 'rb') as f: graph_def = tf.GraphDef() graph_def.ParseFromString(f.read()) tf.import_graph_def(graph_def, name='') with tf.Session() as sess: # Feed the image_data as input to the graph and get first prediction softmax_tensor = sess.graph.get_tensor_by_name('final_result:0') predictions = sess.run(softmax_tensor, {'DecodeJpeg/contents:0': image_data}) # Sort to show labels of first prediction in order of confidence top_k = predictions[0].argsort()[-len(predictions[0]):][::-1] for node_id in top_k: human_string = label_lines[node_id] score = predictions[0][node_id] print('%s (score = %.5f)' % (human_string, score))
1234567891011121314151617181920212223242526272829303132我们随便从百度搜索一张蒲公英（dandelion）的图，保存到test/WechatIMG383.jpg，测试结果显示属于蒲公英的概率为99.59%.
python label_image.py test/WechatIMG383.jpg dandelion (score = 0.99592) sunflowers (score = 0.00359) daisy (score = 0.00042) tulips (score = 0.00005) roses (score = 0.00001) 1234567
以上基本是模型训练和测试的全部过程，希望能让大家对深度学习的完整项目有个大致的了解。
启动 TensorBoard
TensorBoard 是 TensorFlow 自带的训练效果可视化的分析工具，我们可以利用此工具检测和分析模型的收敛情况，比如查看loss的下降、acc的提升和查看可视化的网络结构图等。在我们建的工程目录下，启动tensorboard的具体命令如下：
➜ cd flower_demo ➜ tensorboard --logdir training_summaries 123
启动 TensorBoard 会占用系统 6006 端口 ，再启动一个新的 TensorBoard 之前，必须要 kill 已在运行的 TensorBoard 任务。
➜ pkill -f "tensorboard 12
启动浏览器查看 TensorBoard
启动TensorBoard后，可以启动浏览器，在地址栏中输入 localhost:6006 来查看训练进度以及loss和准确度的变化，分析模型等。
相关知识
基于TensorFlow实现的CNN神经网络 花卉识别系统Demo
tensorflow识别花朵
【实战】tensorflow 花卉识别
微信小程序之植物识别demo(百度开发接口）
基于tensorflow的花卉识别
花卉识别(tensorflow)
高效农作物病虫害识别：Python项目源码及数据集教程
人工智能毕业设计基于python的花朵识别系统
深度学习基于python+TensorFlow+Django的花朵识别系统
基于TensorFlow Lite实现的Android花卉识别应用
网址: 基于TensorFlow训练花朵识别模型的源码和Demo https://m.huajiangbk.com/newsview516081.html
| 上一篇: 教你搭建一个花卉识别系统(超级简 |
下一篇: 室内花艺装饰技巧 花艺软装设计与 |
