基于Pytorch深度学习神经网络CNN花朵图像识别系统

原创已于 2024-10-17 22:11:50 修改 · 2.5k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#图像识别 #深度学习 #神经网络

于 2023-06-05 19:24:11 首次发布

该代码示例展示了使用PyTorch进行图像分类的过程，包括导入必要的库，对训练数据进行预处理，构建模型网络，以及执行预测并计算正确率和混淆矩阵。测试部分包含了网络评估和结果可视化。

部署运行你感兴趣的模型镜像

第一步：导入头文件

import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable
import torch.optim as optim

第二步：数据预处理

def loadtraindata():
    # 路径
    path = "data\\train"
    trainset = torchvision.datasets.ImageFolder(path, transform=transforms.Compose([
        # 将图片缩放到指定大小（h,w）或者保持长宽比并缩放最短的边到int大小
        transforms.Resize((32, 32)),
        transforms.ToTensor()])
                                                )
    trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)
    return trainloader

第三步：构建模型网络

开源网络结构

第四步：预测（提供正确率，混淆矩阵结果）

def test():
    net = reload_net()
    net.eval()
    testloader = loadtestdata()
    sum = 0
    num = 0
    labels_list = []
    predicted_list = []
    for images, labels in testloader:
        sum += 1
        outputs = net(Variable(images))
        _, predicted = torch.max(outputs.data, 1)
        if labels == predicted:
            num += 1

        labels_list.append(labels.numpy()[0])
        predicted_list.append(predicted.numpy()[0])
    print('正确率: ' + str(num*1.0 / sum))
    cm = confusion_matrix(labels_list, predicted_list)
    print(cm) #打印混淆矩阵的值
    plot_confusion_matrix(cm, classes, "Confusion Matrix")
    plt.show()

结果：

1）代码结构