基于深度学习CNN算法的花卉分类识别系统01--带数据集-pyqt5UI界面-全套源码

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(