文章目录
各位同学大家好,本次给大家分享的项目为:
基于深度学习算法的花卉分类识别系统
项目文件获取地址:
百度网盘链接:https://pan.baidu.com/s/1KQ5esNbSqgzT52ZNHjbpXQ?pwd=cm24
提取码: cm24
一、项目摘要
花卉识别是计算机视觉中的一个重要应用,在园艺、农业和植物保护等领域具有广泛的潜在价值。本文的基于深度学习的花卉识别系统,采用MobileNet模型结合PyTorch框架实现。数据集由网络采集的16类花卉图像组成,共计15740张,其中训练集和验证集按8:2的比例划分。为了提高模型的泛化能力,本文对数据进行了多种增强操作,包括随机裁剪、水平翻转及标准化处理。
在训练过程中,采用AdamW优化器和交叉熵损失函数,并设置了合适的学习率及超参数,通过100个Epoch进行模型训练和验证。实验结果显示,验证集的最高准确率达到了93%,平均分类准确率为98%。为了用户体验,本文还基于PyQt5设计了用户交互界面,使用户能够便捷地上传图像并查看花卉识别结果以及相关植物信息。
二、项目运行效果
运行效果视频:
https://www.bilibili.com/video/BV1hE22YgEvk
运行效果截图:
三、项目文件介绍
四、项目环境配置
1、项目环境库
python=3.8 pytorch pyqt5 opencv matplotlib 等
2、环境配置视频教程
1)anaconda下载安装教程
2)pycharm下载安装教程
3)项目环境库安装步骤教程
五、项目系统架构
花卉识别系统的整体架构分为四个主要模块:
1. 数据输入模块:负责接收用户输入的花卉图像。
2. 图像预处理模块:对输入的图像进行标准化处理,包括调整图像大小、归一化等,以确保与训练模型的输入要求一致。
3. 深度学习模型模块:通过预训练的MobileNet模型对预处理后的图像进行识别和分类,输出花卉的种类标签。
4. 用户交互模块:通过PyQt5构建图形用户界面,使用户能够便捷地上传图像,查看识别结果,并获得相应的花卉信息。
系统的整体工作流程如下:首先,用户通过用户界面选择要识别的花卉图片,随后系统对图像进行预处理,接着将处理后的图像输入到深度学习模型中进行分类,最后在用户界面上显示识别结果及花卉相关的简介。
六、项目构建流程
1、数据集
数据集文件夹:all_data
概述:
本文使用的数据集由16类不同花卉的图像组成,总计15740张。
数据集格式及命令统一代码:to_rgb.py
(对数据集中的图像统一成rgb格式并进行统一规范命名)
2、算法网络Mobilenet
概述:
Mobilenet是专为移动设备和嵌入式系统设计的轻量化卷积神经网络。其主要特点在于采用了深度可分离卷积(Depthwise Separable Convolution)来减少计算量和参数数量,从而在资源受限的环境下实现高效的图像分类和识别。
算法代码为:models文件夹下的mobilenet.py
"""mobilenet in pytorch
[1] Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
https://arxiv.org/abs/1704.04861
"""
import torch
import torch.nn as nn
class DepthSeperabelConv2d(nn.Module):
def __init__(self, input_channels, output_channels, kernel_size, **kwargs):
super().__init__()
self.depthwise = nn.Sequential(
nn.Conv2d(
input_channels,
input_channels,
kernel_size,
groups=input_channels,
**kwargs),
nn.BatchNorm2d(input_channels),
nn.ReLU(inplace=True)
)
self.pointwise = nn.Sequential(
nn.Conv2d(input_channels, output_channels, 1),
nn.BatchNorm2d(output_channels),
nn.ReLU(inplace=True)
)
def forward(self, x):
x = self.depthwise(x)
x = self.pointwise(x)
return x
class BasicConv2d(nn.Module):
def __init__(self, input_channels, output_channels, kernel_size, **kwargs):
super().__init__()
self.conv = nn.Conv2d(
input_channels, output_channels, kernel_size, **kwargs)
self.bn = nn.BatchNorm2d(output_channels)
self.relu = nn.ReLU(inplace=True)
def forward(self, x):
x = self.conv(x)
x = self.bn(x)
x = self.relu(x)
return x
class MobileNet(nn.Module):
def __init__(self, width_multiplier=1, class_num=16):
super().__init__()
alpha = width_multiplier
self.stem = nn.Sequential(
BasicConv2d(3, int(32 * alpha), 3, padding=1, bias=False),
DepthSeperabelConv2d(
int(32 * alpha),
int(64 * alpha),
3,
padding=1,
bias=False
)
)
#downsample
self.conv1 = nn.Sequential(
DepthSeperabelConv2d(
int(64 * alpha),
int(128 * alpha),
3,
stride=2,
padding=1,
bias=False
),
DepthSeperabelConv2d(
int(128 * alpha),
int(