系列文章
手把手教你：基于粒子群优化算法（PSO）优化卷积神经网络（CNN）的文本分类
目录
- 系列文章
- 一、项目简介
- 二、水果分类结果预测
- 三、环境安装
* - 1.环境要求
- 2.环境安装示例
- 四、重要代码介绍
* - 1.数据预处理
- 2.分类模型构建
- 3.模型训练
- 五、训练自己的数据
* - 1.项目目录如下
- 2.分类模型训练
- 六、完整代码地址
一、项目简介
本文主要介绍如何使用python搭建：一个基于深度残差网络（ResNet）的水果 图像分类识别系统。
项目只是用水果分类作为抛砖引玉，其中包含了使用ResNet进行图像分类的相关代码。主要功能如下：
- 数据预处理，生成用于输入TensorFlow模型的TFRecord的数据。
- 模型构建及训练，使用tensorflow.keras构建深度残差网络。
- 预测水果分类并进行模型评估。
如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。
博主也参考过网上图像分类的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个预测系统即可。
本文只会告诉你如何快速搭建一个基于ResNet的图像分类系统并运行，原理的东西可以参考其他博主。
也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。
如果您有以上想法，那就找对地方了！
不多废话，直接进入正题！
二、水果分类结果预测
首先我们来看下模型最终预测的水果类别的情况。本项目采用的数据集共有 13种水果：香蕉、樱桃、无花果、芒果等等。博主英语不好就不在这献丑了，感兴趣的同学可以百度翻译
- 接下来是模型预测的结果，这里我输入了2个单张图片，来验证模型的分类结果：
- 可以看到2张图片分别为：香蕉、桔柚，模型都准确预测并分类正确。
; 三、环境安装
1.环境要求
本项目开发IDE使用的是： Anaconda中的jupyter notebook，大家可以直接csdn搜索安装指南非常多，这里就不再赘述。
因为本项目基于TensorFlow因此需要以下环境：
- tensorflow >= 2.0
- pandas
- scikit-learn
- numpy
- OpenCV2
- matplotlib
2.环境安装示例
环境都可以通过pip进行安装。如果只是想要使用博主训练的模型直接进行预测，不需要对模型重新训练的话，这边建议tensorflow安装cpu版的。
如果没使用过jupyter notebook通过pip安装包的同学可以参考如下：
- 新建一个terminal窗口：
- 在新建的窗口中使用pip进行安装：
点开”终端”，然后通过pip进行安装pandas，其他环境包也可以通过上面的方法安装。
; 四、重要代码介绍
环境安装好后就可以打开 jupyter notebook开始愉快的执行代码了。由于代码众多，博客中就不放入最终代码了，有需要的童鞋可以在 博客最下方找到下载地址。
1.数据预处理
- 首先我们将需要处理的图像分为训练集、测试集。
- 其中按13类的水果分别建立文件夹放入对应水果图片：
- 这里拿芒果举例：
- 使用opencv2来读取图像生成：（100,100,3）的三通道图像数据。
def read_img(path):
print("数据集地址："+path)
imgs = []
labels = []
for root, dirs, files in tqdm(os.walk(path)):
for file in files:
img = cv2.imread(os.path.join(root, file))
imgs.append(img)
labels.append(str(os.path.basename(root)))
return imgs,labels
- 并处理图像，和对类别进行LabelEncoder编码处理，处理后情况如下：
- 训练集共计：6560张图片，测试集共计：2207张图片。
- 然后将数据储存为TFRecord：
2.分类模型构建
- 使用TensorFlow搭建一个ResNet模型：
; 3.模型训练
- 模型训练，设置批处理batch_size：64，每2个epoch保存一次模型，博主总共跑了30个epoch。
from tensorflow.keras.callbacks import (
ReduceLROnPlateau,
EarlyStopping,
ModelCheckpoint,
TensorBoard)
ResNet_model.compile(optimizer=optimizer,loss='sparse_categorical_crossentropy',metrics=['accuracy'])
callbacks = [
ModelCheckpoint(checkpoints + 'resnet_train_{epoch}.tf', monitor='accuracy',verbose=0,
save_best_only=True, save_weights_only=True,
period=2),
TensorBoard(log_dir='logs')
]
history = ResNet_model.fit(data_train, epochs = epoch,callbacks=callbacks,validation_data = data_test)
- 训练和测试集的准确率如下，可以看到训练至15个epoch左右已经能达到很高的准确率了。
五、训练自己的数据
1.项目目录如下
; 2.分类模型训练
- 需要将自己的数据集整理后放入以下项目目录中：
./img/train/
和
./img/test/
下目录设置，一个类别的图片放入一个文件夹中，如下：
然后按顺序执行下述代码：
a数据预处理.ipynb
b加载并训练模型.ipynb
c模型评估及预测.ipynb
即可开始分类模型训练
六、完整代码地址
由于项目代码量和数据集较大，感兴趣的同学可以下载完整代码，使用过程中如遇到任何问题可以在评论区进行评论，我都会一一解答。
完整代码下载：
【代码分享】手把手教你：基于深度残差网络（ResNet）的水果分类识别系统
Original: https://blog.csdn.net/weixin_43486940/article/details/122819874
Author: 大雾的小屋
Title: 手把手教你：基于深度残差网络（ResNet）的水果分类识别系统
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/671039/
转载文章受原作者版权保护。转载请注明原作者出处！