基于卷积神经网络（CNN）的猫狗图像分类系统实现

水墨深秋

已于 2024-07-08 14:35:15 修改

阅读量1.1k

点赞数 17

分类专栏：深度学习文章标签： cnn 分类人工智能

于 2024-07-08 14:35:03 首次发布

本文链接：https://blog.youkuaiyun.com/ge20040119/article/details/140266111

版权

深度学习专栏收录该内容

6 篇文章

订阅专栏

CNN模型（来自慕课网）：

训练数据集

链接：https://pan.baidu.com/s/1Y0Uszlh8bo5iC0OV1MRiow?pwd=data
提取码：data

数据集自己做分割，可以4000张图片为一个测试集和训练集，我这里演示的是4000张为训练集和测试集。你们可以根据自己的要求来进行修改以达到更好的目的。（测试了一下还是建议全部都为训练集，测试集自己找一下）

1.目的

基于data数据，根据提供的结构，建立CNN模型，识别图片中的猫/狗，计算预测准确率：

1.识别图片中的猫/狗、计算data测试数据预测准确率

2.从网站下载猫/狗图片，对其进行预测

2.训练模型

1.准备数据

#加载数据
from tensorflow.keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)

training_set = train_datagen.flow_from_directory('./data_小',target_size=(50,50),batch_size=32,class_mode='binary')

结果/解释

2.确认输入数据标签

#确认输入数据标签
training_set.class_indices

结果/解释

3.准备CNN model

#建立CNN模型
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dense

model = Sequential()
#卷积层
model.add(Conv2D(32,(3,3),input_shape=(50,50,3),activation='relu')) #输入图片
#池化层
model.add(MaxPool2D(pool_size=(2,2)))
#卷积层
model.add(Conv2D(32,(3,3),activation='relu'))
#池化层
model.add(MaxPool2D(pool_size=(2,2)))
#flattening layer
model.add(Flatten())
#FC layer
model.add(Dense(units=128,activation='relu'))
model.add(Dense(units=1,activation='sigmoid'))

4.使用优化器

#配置模型
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
model.summary()

结果/解释

5.训练模型

#训练模型
model.fit(training_set,epochs=25)

结果/解释：这里因为数据量较小所以就训练25轮，可以看到丢失率一直在降低，可以调高训练轮数以提高准确率。

至此，模型已经训练完毕了。

3.查看模型准确率

1.查看训练集准确率

#查看训练集准确率
accuracy_train = model.evaluate(training_set)
print(accuracy_train)

结果/解释：可以看到准确率还是挺高的

2.查看测试数据就准确率

#测试数据集准确率
test_set = train_datagen.flow_from_directory('./test_小',target_size=(50,50),batch_size=32,class_mode='binary')

accuracy_test = model.evaluate(test_set)
print(accuracy_test)

结果/解释：因为我这个测试集也是从那里面拿的，你们可以自己重新分割一下，或者找其他数据集来测试。

4.实际测试

1.网上下载图片实测一下：

#测试网上照片
import numpy as np  
from keras.preprocessing.image import load_img, img_to_array
pic_dog = 'dog.jpg'
pic_dog = load_img(pic_dog,target_size=(50,50))
pic_dog = img_to_array(pic_dog)
pic_dog = pic_dog/255
pic_dog = pic_dog.reshape(1,50,50,3)
result_11 = model.predict(pic_dog)
result_12 = (result_11 > 0.5).astype(int) 
print(result_12)
pic_cat = 'cat.jpg'
pic_cat = load_img(pic_cat,target_size=(50,50))
pic_cat = img_to_array(pic_cat)
pic_cat = pic_cat/255
pic_cat = pic_cat.reshape(1,50,50,3)
result_21 = model.predict(pic_cat)
result_22 = (result_21 > 0.5).astype(int) 
print(result_22)
training_set.class_indices

结果/解释：这个结果还是挺不错的

2.进行图片批量检索识别

#进行图片分类
import matplotlib as mlp
font2 = {'family' : 'SimHei',
'weight' : 'normal',
'size'   : 20,
}
mlp.rcParams['font.family'] = 'SimHei'
mlp.rcParams['axes.unicode_minus'] = False
from matplotlib import pyplot as plt
from matplotlib.image import imread
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.models import load_model
import numpy as np
a = [i for i in range(1,10)]
fig = plt.figure(figsize=(10,10))
for i in a:
    img_name = str(i)+'.jpg'
    img_ori = load_img(img_name, target_size=(50, 50))
    img = img_to_array(img_ori)
    img = img.astype('float32')/255
    img = img.reshape(1,50,50,3)
    result1 = model.predict(img)
    result = (result1 > 0.5).astype(int) 
    img_ori = load_img(img_name, target_size=(250, 250))
    plt.subplot(3,3,i)
    plt.imshow(img_ori)
    plt.title('预测为：狗狗' if result[0] == 1 else '预测为：猫咪')
plt.show()

结果/解释：这个结果也还是挺准确的，毕竟没有进行旋转和平移等操作，是直接在原图上进行操作的。