图像分类之花卉识别实验验证

        本实验基于37种主流的图像分类算法模型，对64种花卉进行识别。使用包括vgg、resnet、densenet、efficientnet、inception、mobilenet等37种图像分类模型进行实验，评估各种模型对花卉的识别准确度、计算量、参数量，对比不同模型的性能和优缺点。

1、数据集

        数据集包含的花卉种类一共有64种，共32000张尺度为224x224的彩色图像，其中训练集为25600张，测试集为6400张。如下图所示，为64种花卉的示例图，包含的花卉种类名称为：诸葛菜、鬼针草、油菜花、蒲公英、三角梅、三叶草、两色金鸡菊、婆婆纳、石龙芮、滨菊、剑叶金鸡菊、一年蓬、蓝蓟、绣球小冠花、全叶马兰、全缘金光菊、狗尾草、马鞭草、曼陀罗、千屈菜、旋覆花、狼尾草、射干、桔梗、蒲苇、秋英、粉黛乱子草、黄金菊、芒草、石竹、棣棠、红花酢浆草、长柔毛野豌豆、小苜蓿、草甸鼠尾草、蓝花鼠尾草、玫瑰、大花耧斗菜、北香花介、美丽芍药
、美丽月见草、小果蔷薇、高羊茅、线叶蓟、蛇莓、泽珍珠菜、小蜡、粉花绣线菊、天人菊、石榴、锦带花、山桃草、南天竹、细齿草木樨、矢车菊、紫菀、兔儿尾苗、松果菊、华水苏、三肋果、锦葵、水葱、堪察加费菜、夹竹桃。数据集+训练源码下载地址

2、结果分析

        一共测试了37种主流的图像分类模型，模型的参数和性能如下表所示。模型训练架构为pytorch架构，一共集成了37种模型，可以根据模型名称选择指定的模型，源码+数据集已经打包，点击这里下载。

各模型在花卉识别任务上的性能

模型	FLOPS [G]	PARAMS [M]	CPU TIME [MS]	GPU TIME [MS]	TOP1	TOP2	TOP3	TOP4
alexnet	2.5272	17.7085	14.93	1.08	0.9459	0.9783	0.9878	0.9925
densenet_121	7.2888	6.9460	70.29	14.55	0.9856	0.9953	0.9970	0.9984
densenet_169	8.7874	12.4468	87.12	20.96	0.9845	0.9942	0.9975	0.9983
densenet_201	11.4791	18.0038	113.23	24.90	0.9855	0.9947