个人做外贸的网站有哪些,帮您做网站,网站建设公司的正反,平台搭建阳光房温馨提示#xff1a;文末有 CSDN 平台官方提供的学长 QQ 名片 :) 1. 项目简介 传统的花卉分类方法通常依赖于专家的知识和经验#xff0c;这种方法不仅耗时耗力#xff0c;而且容易受到主观因素的影响。本系统利用 TensorFlow、Keras 等深度学习框架构建卷积神经网络#… 温馨提示文末有 CSDN 平台官方提供的学长 QQ 名片 :) 1. 项目简介 传统的花卉分类方法通常依赖于专家的知识和经验这种方法不仅耗时耗力而且容易受到主观因素的影响。本系统利用 TensorFlow、Keras 等深度学习框架构建卷积神经网络CNN利用花卉数据集进行模型训练与验证预测准确率达到 84.3%使用Flask框架结合Bootstrap前端技术搭建了一个交互式的分析预测平台能够从大量的图像数据中自动学习和提取特征从而实现高效、准确的分类。 B站系统演示视频基于深度学习的花卉智能分类识别系统_哔哩哔哩_bilibili
2. 花卉数据集读取与预处理 利用 Tensorflow 框架从文件夹中读取花卉图像数据
# 花卉类别
class_map {tulip: 0, sunflower: 1, rose: 2, dandelion: 3, daisy: 4}
class_name_dict {0: tulip, 1: sunflower, 2: rose, 3: dandelion, 4: daisy}def image_generator(height,width):datagen ImageDataGenerator(rescale1./255.,validation_split0.2,rotation_range10,width_shift_range0.05,height_shift_range0.05,# shear_range0.05,brightness_range[0.5, 1.5],)train_ds datagen.flow_from_directory(data_dir,batch_sizebatch_size,subsettraining,#color_mode grayscale,shuffleTrue,class_modecategorical,target_size(height, width),classesclass_map)val_ds datagen.flow_from_directory(data_dir,subsetvalidation,#seed123,#color_mode grayscale,class_modecategorical,target_size(height, width),batch_sizebatch_size,classesclass_map)return train_ds, val_ds 3. 深度卷积神经网络模型构建
3.1 VGG16 Base Model VGGVisual Geometry Group是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军定位竞赛冠军VGG网络采用连续的小卷积核3x3和池化层构建深度神经网络网络深度可以达到16层或19层其中VGG16和VGG19最为著名。
VGG16和VGG19网络架构非常相似都由多个卷积层和池化层交替堆叠而成最后使用全连接层进行分类。两者的区别在于网络的深度和参数量VGG19相对于VGG16增加了3个卷积层和一个全连接层参数量也更多。
VGG网络被广泛应用于图像分类、目标检测、语义分割等计算机视觉任务中并且其网络结构的简单性和易实现性使得VGG成为了深度学习领域的经典模型之一。 input_shape (height, width, 3)
base_model tf.keras.applications.vgg16.VGG16(weights./pretrained_models/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5, include_topFalse,input_shapeinput_shape
)
base_model.trainable Falsemodel_vgg16 tf.keras.Sequential()
model_vgg16.add(base_model)
model_vgg16.add(tf.keras.layers.Flatten())model_vgg16.add(tf.keras.layers.Dense(len(class_map), activationsoftmax))model_vgg16.compile(losscategorical_crossentropy, optimizertf.keras.optimizers.Adam(0.001),metrics[accuracy])
model_vgg16.summary() 模型训练
vgg16_history model_vgg16.fit(train_ds,validation_dataval_ds,epochsepochs,callbacks[checkpointer, earlystopper]
) Epoch 1/100
69/69 [] - ETA: 0s - loss: 0.9497 - accuracy: 0.6451
Epoch 1: val_accuracy improved from -inf to 0.78102, saving model to best_vgg16_model.h5
69/69 [] - 308s 4s/step - loss: 0.9497 - accuracy: 0.6451 - val_loss: 0.6584 - val_accuracy: 0.7810......
Epoch 11/100
69/69 [] - ETA: 0s - loss: 0.0755 - accuracy: 0.9854
Epoch 11: val_accuracy did not improve from 0.80839
69/69 [] - 349s 5s/step - loss: 0.0755 - accuracy: 0.9854 - val_loss: 0.6177 - val_accuracy: 0.7938
Epoch 11: early stopping 3.2 InceptionV3 Base Model 深度神经网络(Deep Neural Networks, DNN)或深度卷积网络中的Inception模块是由Google的Christian Szegedy等人提出包括Inception-v1、Inception-v2、Inception-v3、Inception-v4及Inception-ResNet系列。 tf.keras.backend.clear_session()base_model tf.keras.applications.InceptionV3(weights./pretrained_models/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5, include_topFalse, input_shapeinput_shape
)
base_model.trainable Falsemodel_inceptionv3 tf.keras.Sequential()
model_inceptionv3.add(base_model)
model_inceptionv3.add(tf.keras.layers.Flatten())model_inceptionv3.add(tf.keras.layers.Dense(len(class_map), activationsoftmax))model_inceptionv3.compile(losscategorical_crossentropy,optimizertf.keras.optimizers.Adam(0.001),metrics[accuracy]
)
model_inceptionv3.summary() 模型训练
inceptionv3_history model_inceptionv3.fit(train_ds,validation_dataval_ds,epochsepochs,callbacks[checkpointer, earlystopper]
) 3.3 模型性能对比
labels [损失Loss,准确率Accuracy]
vgg16_evals [vgg16_eval_result[损失Loss], vgg16_eval_result[准确率Accuracy]]
inceptionv3_evals [inceptionv3_eval_result[损失Loss], inceptionv3_eval_result[准确率Accuracy]]x np.arange(len(labels)) # the label locations
bar_width 0.35 # the width of the barsfig, ax plt.subplots(figsize(8, 6), dpi100)
rects1 ax.bar(x - bar_width/2, vgg16_evals, bar_width, labelVGG16)
rects2 ax.bar(x bar_width/2, inceptionv3_evals, bar_width, labelInception-V3)# Add some text for labels, title and custom x-axis tick labels, etc.
ax.set_ylabel(Loss/Acc)
ax.set_title(VGG16 与 Inception-V3 的花卉分类性能对比)
ax.set_xticks(x, labels)
ax.legend()ax.bar_label(rects1, padding3)
ax.bar_label(rects2, padding3)fig.tight_layout()plt.show() 可以看出基于 Inception-V3 为 base 模型的卷积神经网络其预测准确率较高为84.31%以此花卉智能分类识别系统中我们将集成该模型。
4. 花卉智能分类识别系统
4.1 系统首页 系统首页提供简洁明了的界面设计包括系统名称、主要功能简介以及使用指南等内容。用户可以通过主页快速了解系统的基本操作流程及注意事项。首页上还会展示一些示例图片让用户直观地感受到系统的实际效果。 4.2 卷积神经网络模型介绍 4.3 花卉品种实时分类预测 用户上传花卉图像后系统将自动调用预先训练好的深度学习模型进行分析处理。模型会根据图像中的特征判断花卉种类并给出相应的分类结果。此外系统还会提供模型对所有类别的预测概率分布提升模型输出可解释性。 1郁金香Tulip类别样本预测 2太阳花Sunflower类别样本预测 3玫瑰花Rose类别样本预测 4蒲公英Dandelion类别样本预测 5雏菊Daisy类别样本预测 5. 总结 本系统利用 TensorFlow、Keras 等深度学习框架构建卷积神经网络CNN利用花卉数据集进行模型训练与验证预测AUC达到 94.9%使用Flask框架结合Bootstrap前端技术搭建了一个交互式的分析预测平台能够从大量的图像数据中自动学习和提取特征从而实现高效、准确的分类。 欢迎大家点赞、收藏、关注、评论啦 由于篇幅有限只展示了部分核心代码。技术交流、源码获取认准下方 CSDN 官方提供的学长 QQ 名片 :) 精彩专栏推荐订阅 1. Python-数据挖掘实战案例 2. Python-深度学习实战案例 3. Python-管理系统实战案例
