基于深度学习的蔬菜识别系统，resnet50，vgg16，resnet34【pytorch框架，python代码】

更多图像分类、图像识别、目标检测、图像分割图像检索等项目可从主页查看功能演示(要看shi pin下面的简介)蔬菜识别系统 resnet50vgg16resnet34 深度学习 卷积神经网络【pytorch框架python源码】_哔哩哔哩_bilibili一简介本文介绍了一个基于深度学习的蔬菜识别系统使用PyTorch框架实现了ResNet50、VGG16和ResNet34三种卷积神经网络模型。系统提供GUI界面PySide6和Web前端界面FlaskVue两种操作方式支持模型训练、验证和测试全流程。项目包含完整的数据集、代码和预训练模型可输出训练过程曲线、分类混淆矩阵、热力图等可视化结果并计算准确率、精确率等评估指标。系统支持自定义数据集训练配置简单可直接运行使用。所有资源均已打包方便研究者快速部署和应用。基于卷积神经网络的蔬菜识别系统是在pytorch框架下实现的项目中有3个模型resnet50vgg16resnet343个模型都在项目中随便用一个模型即可也可以3个都使用做模型对比增加工作量。该系统涉及的技术python pyside6 opencv flask其中GUI界面python pyside6Web前端界面python flask vue css等两个界面的功能相同随便用一个就行。该项目是可在pycharm和anaconda搭建的虚拟环境 或者 vscode和anaconda搭建的虚拟环境中运行pycharm和anaconda安装和配置可观看教程超详细的pycharmanaconda搭建python虚拟环境_pycharm配置anaconda虚拟环境-CSDN博客vscode和anaconda安装和配置可观看教程超详细的vscodeanaconda搭建python虚拟环境_vscode anaconda-CSDN博客二项目介绍1. 项目结构​2. 数据集​部分数据展示​3.GUI界面初始界面​4.GUI预测界面​5. Web端初始界面​6.Web端预测界面​7. 核心代码class MainProcess: def __init__(self, train_path, test_path, model_name): self.train_path train_path self.test_path test_path self.model_name model_name self.device torch.device(cuda:0 if torch.cuda.is_available() else cpu) def main(self, epochs): # 记录训练过程 log_file_name ./results/vgg16训练和验证过程.txt # 记录正常的 print 信息 sys.stdout Logger(log_file_name) print(using {} device..format(self.device)) # 开始训练记录开始时间 begin_time time() # 加载数据 train_loader, validate_loader, class_names, train_num, val_num self.data_load() print(class_names: , class_names) train_steps len(train_loader) val_steps len(validate_loader) # 加载模型 model self.model_load() # 创建模型 # 网络结构可视化 x torch.randn(16, 3, 224, 224) # 随机生成一个输入 model_visual_path results/vgg16_visual.onnx # 模型结构保存路径 torch.onnx.export(model, x, model_visual_path) # 将 pytorch 模型以 onnx 格式导出并保存 # netron.start(model_visual_path) # 浏览器会自动打开网络结构 # load pretrain weights # download url: https://download.pytorch.org/models/vgg16-397923af.pth model_weight_path models/vgg16-pre.pth assert os.path.exists(model_weight_path), file {} does not exist..format(model_weight_path) model.load_state_dict(torch.load(model_weight_path, map_locationcpu)) # 更改Vgg16模型的最后一层 model.classifier[-1] nn.Linear(4096, len(class_names), biasTrue) # 将模型放入GPU中或CPU中 model.to(self.device) # 定义损失函数 loss_function nn.CrossEntropyLoss() # 定义优化器 params [p for p in model.parameters() if p.requires_grad] optimizer optim.Adam(paramsparams, lr0.0001) train_loss_history, train_acc_history [], [] test_loss_history, test_acc_history [], [] best_acc 0.0 for epoch in range(0, epochs): # 下面是模型训练 model.train() running_loss 0.0 train_acc 0.0 train_bar tqdm(train_loader, filesys.stdout) # 进来一个batch的数据计算一次梯度更新一次网络 for step, data in enumerate(train_bar): images, labels data # 获取图像及对应的真实标签 optimizer.zero_grad() # 清空过往梯度 outputs model(images.to(self.device)) # 得到预测的标签 train_loss loss_function(outputs, labels.to(self.device)) # 计算损失 train_loss.backward() # 反向传播计算当前梯度 optimizer.step() # 根据梯度更新网络参数 # print statistics running_loss train_loss.item() predict_y torch.max(outputs, dim1)[1] # 每行最大值的索引 # torch.eq()进行逐元素的比较若相同位置的两个元素相同则返回True若不同返回False train_acc torch.eq(predict_y, labels.to(self.device)).sum().item() train_bar.desc train epoch[{}/{}] loss:{:.3f}.format(epoch 1, epochs, train_loss) # 下面是模型验证 model.eval() # 不启用 BatchNormalization 和 Dropout保证BN和dropout不发生变化 val_acc 0.0 # accumulate accurate number / epoch testing_loss 0.0 with torch.no_grad(): # 张量的计算过程中无需计算梯度 val_bar tqdm(validate_loader, filesys.stdout) for val_data in val_bar: val_images, val_labels val_data outputs model(val_images.to(self.device)) val_loss loss_function(outputs, val_labels.to(self.device)) # 计算损失 testing_loss val_loss.item() predict_y torch.max(outputs, dim1)[1] # 每行最大值的索引 # torch.eq()进行逐元素的比较若相同位置的两个元素相同则返回True若不同返回False val_acc torch.eq(predict_y, val_labels.to(self.device)).sum().item() train_loss running_loss / train_steps train_accurate train_acc / train_num test_loss testing_loss / val_steps val_accurate val_acc / val_num train_loss_history.append(train_loss) train_acc_history.append(train_accurate) test_loss_history.append(test_loss) test_acc_history.append(val_accurate) print([epoch %d] train_loss: %.3f val_accuracy: %.3f % (epoch 1, train_loss, val_accurate)) if val_accurate best_acc: best_acc val_accurate torch.save(model.state_dict(), self.model_name) # 记录结束时间 end_time time() run_time end_time - begin_time print(该循环程序运行时间, run_time, s) # 绘制模型训练过程图 self.show_loss_acc(train_loss_history, train_acc_history, test_loss_history, test_acc_history) # 画热力图 self.heatmaps(model, validate_loader, class_names)该系统可以训练自己的数据集训练过程也比较简单只需指定自己数据集中训练集、验证集、测试集的路径指定所用的模型和指定训练的轮数然后运行项目中的train.py和test.py即可​训练和测试结束后可输出以下结果a. 训练过程的准确率曲线和损失曲线​b. 模型训练过程记录模型每一轮训练的损失和精度数值记录​c. 模型结构​模型评估可输出a. 分类混淆矩阵​​b. 准确率、精确率、召回率、F1值​其他的输出a. 模型特征图b. 热力图c. 模型参数量对比三总结以上即为整个项目的介绍整个项目主要包括以下内容完整的程序代码文件、训练好的模型、数据集、UI界面和各种模型指标图表等。整个项目包含全部资料一步到位拿来就用省心省力。项目运行过程如出现问题请及时沟通