基于VGG16网络模型对图像进行识别分类

随着人工智能热潮的发展，图像识别已经成为了其中非常重要的一部分。图像识别是指计算机对图像进行处理、分析，以识别其中所含目标的类别及其位置(即目标检测和分类)的技术。其中图像分类是图像识别的一个类，是给定一幅测试图像，利用训练好的分类器判定它所属的类别。

该项目分为三部分：

• 第一部分：系统驱动的安装与环境的搭建
• 第二部分：利用VGG16网络进行模型训练与预测
• 第三部分：通过模型算法的部署，实现模型预测的页面可视化

本文主要讲解的是项目中的第二部分，其余两部分可通过Github了解
项目中所有的代码及数据集已放入Github

数据集的获取

本文的数据集中包含五个类，分别是Animal（动物）、Architecture（建筑）、people（人）、plane（飞机）、Scenery（风景）。由于身边条件的欠缺，数据集的获取途径主要通过爬取百度图片的方式获取，并将相同类的图片放在同一文件夹（代码：Reptile_img.py）。
爬取一个类示例：

注意：保存的图片采用英文格式，不然后续无法利用OpenCV读入。

数据集的清洗及读取

由于获取的图片数据集较为杂乱，所以我们需要人为清洗数据，以提高数据集的准确性。而后，数据集中可能会存在无法利用OpenCV读取的图片，我们采取遍历所有文件，并将其读入，将无法读入显示的图片删除，保证数据集的正确性（代码：open_img.py）。
将所有图片读取示例：

出现下方错误证明是爬取的图片无法读入，找到相对应的图片删除就好。

数据增强

清洗处理以后，我们五个类的图片集数量分别为：

类别	数量
Animal	500张
Architecture	500张
people	700张
plane	500张
Scenery	700张

总体来说，数据集的数量太少，得出的模型可能存在模型泛化能力不强的情况。所以利用数据增强，对图片集进行随即旋转、平移变换、缩放变换、剪切变换、水平翻转等等操作，使得每张数据集得到50张处理后的图片，并保存在原本的文件夹下，整个数据集得到扩大（代码：data_augmentation.py）。
代码示例：

from keras.preprocessing.image import ImageDataGenerator
import os
import cv2
datagen = ImageDataGenerator(
    rotation_range=20,
    width_shift_range=0.15,
    height_shift_range=0.15,
    zoom_range=0.