卷积神经网络（CNN）鲜花的识别

• 花匠小妙招
• 2024-11-25 16:00

文章目录 前言前期工作1. 设置GPU（如果使用的是CPU可以忽略这步）我的环境： 2. 导入数据3. 检查数据 二、数据预处理1. 加载数据2. 可视化数据3. 再次检查数据4. 配置数据集 三、构建CNN网络四、编译五、训练模型六、模型评估

前言

往期精彩内容：

卷积神经网络（CNN）实现mnist手写数字识别 卷积神经网络（CNN）多种图片分类的实现卷积神经网络（CNN）衣服图像分类的实现卷积神经网络（CNN）鲜花识别卷积神经网络（CNN）天气识别 卷积神经网络（VGG-16）识别海贼王草帽一伙卷积神经网络（ResNet-50）鸟类识别

来自专栏：机器学习与深度学习算法推荐

前期工作

1. 设置GPU（如果使用的是CPU可以忽略这步）

我的环境： 语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1

import tensorflow as tf gpus = tf.config.list_physical_devices("GPU") if gpus: gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用 tf.config.set_visible_devices([gpu0],"GPU") 1234567

2. 导入数据

import matplotlib.pyplot as plt import numpy as np import os import PIL import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers,models import pathlib dataset_url = "https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz" data_dir = tf.keras.utils.get_file(fname = 'flower_photos', # 下载到本地后的文件名称 origin = dataset_url, # 数据集(Dataset)的URL路径； untar = True, # 是否解压文件 cache_dir= 'DL-100-days') data_dir = pathlib.Path(data_dir) data_dir 12345678910111213141516171819

PosixPath('/tmp/.keras/datasets/flower_photos') 1

3. 检查数据

image_count = len(list(data_dir.glob('*/*.jpg'))) print("图片总数为：",image_count) 123

roses = list(data_dir.glob('roses/*')) PIL.Image.open(str(roses[1])) 12

二、数据预处理

1. 加载数据

使用image_dataset_from_directory方法将磁盘中的数据加载到tf.data.Dataset中

batch_size = 32 img_height = 180 img_width = 180 123

train_ds = tf.keras.preprocessing.image_dataset_from_directory( data_dir, validation_split=0.2, subset="training", seed=123, image_size=(img_height, img_width), batch_size=batch_size) 1234567

Found 3670 files belonging to 5 classes. Using 2936 files for training. 12

val_ds = tf.keras.preprocessing.image_dataset_from_directory( data_dir, validation_split=0.2, subset="validation", seed=123, image_size=(img_height, img_width), batch_size=batch_size) 1234567

Found 3670 files belonging to 5 classes. Using 734 files for validation. 12

我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。

class_names = train_ds.class_names print(class_names) 12

['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips'] 1

2. 可视化数据

plt.figure(figsize=(20, 10)) for images, labels in train_ds.take(1): for i in range(20): ax = plt.subplot(5, 10, i + 1) plt.imshow(images[i].numpy().astype("uint8")) plt.title(class_names[labels[i]]) plt.axis("off") 12345678910

3. 再次检查数据

for image_batch, labels_batch in train_ds: print(image_batch.shape) print(labels_batch.shape) break 1234

(32, 180, 180, 3) (32,) 12 Image_batch是形状的张量（32,180,180,3）。这是一批形状180x180x3的32张图片（最后一维指的是彩色通道RGB）。Label_batch是形状（32，）的张量，这些标签对应32张图片

4. 配置数据集

prefetch()功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。如果不使用prefetch()，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：

使用prefetch()可显著减少空闲时间：

cache()：将数据集缓存到内存当中，加速运行

AUTOTUNE = tf.data.AUTOTUNE train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE) val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE) 1234

三、构建CNN网络

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。不需要输入batch size。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道（color channel）。在此示例中，我们的 CNN 输入，fashion_mnist 数据集中的图片，形状是 (28, 28, 1)即灰度图像。我们需要在声明第一层时将形状赋值给参数input_shape。

num_classes = 5 model = models.Sequential([ layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)), layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3 layers.MaxPooling2D((2, 2)), # 池化层1，2*2采样 layers.Conv2D(32, (3, 3), activation='relu'), # 卷积层2，卷积核3*3 layers.MaxPooling2D((2, 2)), # 池化层2，2*2采样 layers.Conv2D(64, (3, 3), activation='relu'), # 卷积层3，卷积核3*3 layers.Flatten(), # Flatten层，连接卷积层与全连接层 layers.Dense(128, activation='relu'), # 全连接层，特征进一步提取 layers.Dense(num_classes) # 输出层，输出预期结果 ]) model.summary() # 打印网络结构 1234567891011121314151617

Model: "sequential_1" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= rescaling_1 (Rescaling) (None, 180, 180, 3) 0 _________________________________________________________________ conv2d_3 (Conv2D) (None, 178, 178, 16) 448 _________________________________________________________________ max_pooling2d_2 (MaxPooling2 (None, 89, 89, 16) 0 _________________________________________________________________ conv2d_4 (Conv2D) (None, 87, 87, 32) 4640 _________________________________________________________________ max_pooling2d_3 (MaxPooling2 (None, 43, 43, 32) 0 _________________________________________________________________ conv2d_5 (Conv2D) (None, 41, 41, 64) 18496 _________________________________________________________________ flatten_1 (Flatten) (None, 107584) 0 _________________________________________________________________ dense_2 (Dense) (None, 128) 13770880 _________________________________________________________________ dense_3 (Dense) (None, 5) 645 ================================================================= Total params: 13,795,109 Trainable params: 13,795,109 Non-trainable params: 0 _________________________________________________________________ 1234567891011121314151617181920212223242526

四、编译

在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：

损失函数（loss）：用于测量模型在训练期间的准确率。优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。

model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) 123

五、训练模型

history = model.fit( train_ds, validation_data=val_ds, epochs=10 ) 12345

Epoch 1/10 92/92 [==============================] - 9s 29ms/step - loss: 1.7851 - accuracy: 0.3435 - val_loss: 1.0564 - val_accuracy: 0.5640 Epoch 2/10 92/92 [==============================] - 1s 11ms/step - loss: 1.0037 - accuracy: 0.5867 - val_loss: 1.0490 - val_accuracy: 0.5708 Epoch 3/10 92/92 [==============================] - 1s 11ms/step - loss: 0.8206 - accuracy: 0.6746 - val_loss: 0.9763 - val_accuracy: 0.6158 Epoch 4/10 92/92 [==============================] - 1s 12ms/step - loss: 0.6061 - accuracy: 0.7864 - val_loss: 0.9745 - val_accuracy: 0.6158 Epoch 5/10 92/92 [==============================] - 1s 12ms/step - loss: 0.3319 - accuracy: 0.8929 - val_loss: 1.2550 - val_accuracy: 0.6076 Epoch 6/10 92/92 [==============================] - 1s 11ms/step - loss: 0.1607 - accuracy: 0.9473 - val_loss: 1.4897 - val_accuracy: 0.6172 Epoch 7/10 92/92 [==============================] - 1s 11ms/step - loss: 0.0864 - accuracy: 0.9757 - val_loss: 1.5388 - val_accuracy: 0.6226 Epoch 8/10 92/92 [==============================] - 1s 12ms/step - loss: 0.0621 - accuracy: 0.9818 - val_loss: 2.0122 - val_accuracy: 0.6008 Epoch 9/10 92/92 [==============================] - 1s 11ms/step - loss: 0.0390 - accuracy: 0.9893 - val_loss: 1.9353 - val_accuracy: 0.6267 Epoch 10/10 92/92 [==============================] - 1s 11ms/step - loss: 0.0061 - accuracy: 0.9995 - val_loss: 2.1597 - val_accuracy: 0.6335 1234567891011121314151617181920

六、模型评估

plt.plot(history.history['accuracy'], label='accuracy') plt.plot(history.history['val_accuracy'], label = 'val_accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.ylim([0.5, 1]) plt.legend(loc='lower right') plt.show() test_loss, test_acc = model.evaluate(val_ds, verbose=2) 123456789

从上面可以看出随着迭代次数的增加，训练准确率与验证准确率之间的差距逐步增加，这是由于过拟合导致.

print("验证准确率为：",test_acc) 1

验证准确率为： 0.6035422086715698 [0.5, 1]) plt.legend(loc='lower right') plt.show() test_loss, test_acc = model.evaluate(val_ds, verbose=2) 123456

[外链图片转存中…(img-fF61lXFP-1700232748127)]

从上面可以看出随着迭代次数的增加，训练准确率与验证准确率之间的差距逐步增加，这是由于过拟合导致.

print("验证准确率为：",test_acc) 1

验证准确率为： 0.6035422086715698 1

相关知识

几个卷积神经网络（CNN）可视化的网站
CNN卷积神经网络：花卉分类
基于卷积神经网络的农作物病虫害识别系统
基于深度卷积神经网络的植物病虫害识别
基于卷积神经网络和集成学习的材质识别和分割方法研究
基于卷积神经网络的花卉识别技术 Flower Recognition Based on Convolutional Neural Networks
满满干货！一文快速实现CNN(卷积神经网络)识别花朵
毕设分享 基于深度学习卷积神经网络的花卉识别
深度学习机器学习卷积神经网络的花卉识别花种类识别
软件杯 深度学习卷积神经网络的花卉识别

网址: 卷积神经网络（CNN）鲜花的识别 https://m.huajiangbk.com/newsview720508.html

上一篇: 鲜花常识:代表春天的花有哪些？

下一篇: 基于百度飞浆平台的‘鲜花识别程序