基于多种CNN网络(Alexnet_vgg_resnet_Mobilenetv_Efficientnet等)实现鱼类分类识别并做指标对比（附源码链接+鱼类识别数据集+模型文件）

9类鱼类识别模型搭建，从网上爬取9类鱼，对爬取的数据进行数据清理等操作；搭建AlexNet等经典的分类网络，对数据集进行训练。

一、效果展示

说明：训练数据集50个epoch，其他参数不变的情况下得到如下结果：

	训练集精度	验证集精度
AlexNet	99.47	82.76
Googlenet	97.02	84.84
VGG16	96.53	84.46
MobilenetV3	97.06	85.79
ShufflenetV2	96.77	85.60
Resnet50(加预训练)	100.0	98.29

1、AlexNet

在这里插入图片描述

2、Googlenet
在这里插入图片描述

在这里插入图片描述

3、VGG16

在这里插入图片描述

4、Resnet50（使用了预训练权重）

在这里插入图片描述

5、MobilenetV3

在这里插入图片描述

6、ShufflenetV2

在这里插入图片描述

二、环境介绍

配置：tensorflow==2.11.0、Cuda 10.1
数据集(9类)：河豚、蝴蝶鱼、金鱼、鲫鱼、龙鱼、罗汉鱼、鲇鱼、清道夫、石板。4777张训练集, 528张验证集。

三、项目相关数据准备

鱼类数据集下载：

链接：https://pan.baidu.com/s/14YDm-wv5036ygL9MbRxxPg
预训练权重下载（用于模型训练）：

链接：https://pan.baidu.com/s/15NhHPP08CjLl6wk8vSgZtQ
提取码：cewz
预测权重下载（用于模型预测）：

链接：https://pan.baidu.com/s/15hfxuz4sCEJR79S1c6a15Q
提取码：cipk

四、模型预测

在命令行运行：

python predict.py

可以通过修改predict.py里面的model_name来调用不同模型进行预测

# -------------------------------- 训练参数配置 --------------------------------------# 
im_height = 224 # 输入图片的高
im_width = 224  # 输入图片的宽
model_name = "AlexNet" # 模型名称"AlexNet"、"VGG"、"Googlenet","Resnet","MobilenetV3"、"Shufflenet"
img_path = r"fish_data\test\longyu.jpg" # 预测的图片
# ------------------------------------------------------------------------------------#

五、模型训练

在命令行运行：

python train.py

可以通过修改train.py里面的model_name来调用不同模型进行训练

# -------------------------------- 训练参数配置 --------------------------------------# 
im_height = 224 # 输入图片的高
im_width = 224  # 输入图片的宽
num_classes = 9   # 识别的种类
batch_size = 4 # 训练的批次图片数
epochs = 50     # 训练迭代次数
model_name = "Shufflenet" # 模型名称"AlexNet"、"VGG"、"Googlenet","Resnet","MobilenetV2","MobilenetV3"、"Shufflenet"、"EfficientnetV1","EfficientnetV2"
log_draw_loss_suc = True # 是否需要通过日志绘图
# ------------------------------------------------------------------------------------#