文章目录

1.数据集的准备：

链接：https://pan.baidu.com/s/1rNmb_nxsBnoZqXT6pjsO-Q
提取码：0wmi

2.requirements.txt文件：

直接：pip install requirements.txt
链接：https://pan.baidu.com/s/1VcUOZtDyXlN5F-_kDudDJw
提取码：xpk3

3.文件结构：

在这里插入图片描述

4.预测效果：

在这里插入图片描述

5.首先普通的训练：

（1）导入相关的库函数：

import os
import cv2
import time
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.keras import layers
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.callbacks import ModelCheckpoint,EarlyStopping,ReduceLROnPlateau
from tensorflow.keras.layers import Dense,Dropout,Flatten,BatchNormalization,Conv2D,MaxPool2D

（2）相关的变量的初始化：

#设置类别数,我们这里只训练了狗这个类别
num_classes=1
batch_size=4
img_h,img_w=224,224
#文件路径
train_data_dir='images/train'
valid_data_dir='images/valid'

（3）数据增强和导入文件：

#数据增强，对图像进行归一化
train_datagen=ImageDataGenerator(rescale=1./255)
validation_datagen=ImageDataGenerator(rescale=1./255)
#导入要训练的和验证文件中的数据
train_generate=train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_h,img_w),
    batch_size=batch_size,
    class_mode='categorical',
    shuffle=True
)

validation_generate=validation_datagen.flow_from_directory(
    valid_data_dir,
    target_size=(img_h,img_w),
    batch_size=batch_size,
    class_mode='categorical',
    shuffle=True
)

（4）模型定义：

#模型定义
model=tf.keras.Sequential([
    #输入图像大小的设置
    layers.InputLayer(input_shape=(img_h,img_w,3)),

    layers.Conv2D(32,kernel_size=[3,3],strides=[1,1],padding='same'),
    layers.Activation('relu'),
    layers.BatchNormalization(),

    layers.Conv2D(32,kernel_size=[3,3],strides=[1,1],padding='same'),
    layers.Activation('relu'),
    layers.BatchNormalization(),
    layers.MaxPool2D(pool_size=[2,2]),

    layers.Conv2D(64,kernel_size=[3,3],strides=[1,1],padding='same'),
    layers.Activation('relu'),
    layers.BatchNormalization(),

    layers.Conv2D(64,kernel_size=[3,3],strides=[1,1],padding='same'),
    layers.Activation('relu'),
    layers.BatchNormalization(),
    layers.MaxPool2D(pool_size=[2,2]),

    layers.Conv2D(128,kernel_size=[3,3],strides=[1,1],padding='same'),
    layers.Activation('relu'),
    layers.BatchNormalization(),

    # layers.Flatten(),
    layers.GlobalAveragePooling2D(),
    layers.Dense(64),
    layers.Activation('relu'),
    layers.BatchNormalization(),
    layers.Dropout(0.5),

    layers.Dense(64),
    layers.Activation('relu'),
    layers.BatchNormalization(),
    layers.Dropout(0.5),

    layers.Dense(num_classes),
    layers.Activation('softmax'),
])

（5）相关回调函数定义：

#打印模型细节查看
model.summary()

#保存最优的模型
checkpoing=ModelCheckpoint(
    'model/recognitionDog.h5',
    monitor='val_loss',
    mode='min',
    save_best_only=True,
    save_weights_only=False,
    verbose=1
)
#当经过5代之后，验证集的损失值没有下降就提前终止训练
earlystop=EarlyStopping(
    monitor='val_loss',
    min_delta=0,
    patience=5,
    verbose=1,
    restore_best_weights=True
)
#当经过3代的训练之后验证集的损失值没有下降就学习衰减率
reduce_lr=ReduceLROnPlateau(
    monitor='val_loss',
    factor=0.8,
    patience=3,
    verbose=1,
    min_delta=0.0001
)

callbacks=[earlystop,checkpoing,reduce_lr]

（6）开始训练：

model.compile(
    loss='categorical_crossentropy',optimizer=Adam(lr=0.01),metrics=['accuracy']
)

epochs=20
history=model.fit(
    train_generate,
    steps_per_epoch=train_generate.n//batch_size,
    epochs=epochs,
    callbacks=callbacks,
    validation_data=validation_generate,
    validation_steps=validation_generate.n//batch_size
)

（7）画图：

x=range(1,len(history.history['accuracy'])+1)
plt.plot(x,history.history['accuracy'])
plt.plot(x,history.history['val_accuracy'])
plt.title('model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epochs')
plt.xticks(x)
plt.legend(['Train','Val'],loc='upper left')
plt.savefig(fname='inception_v3.png',figsize=[10,10])
plt.show()

6.迁移学习训练：

（1）导入相关的库函数：

import os
import cv2
import time
import tensorflow
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.keras import layers
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.callbacks import ModelCheckpoint,EarlyStopping,ReduceLROnPlateau
from tensorflow.keras.layers import Dense,Dropout,Flatten,BatchNormalization,Conv2D,MaxPool2D

（2）相关的变量的初始化：

#设置类别数,我们这里只训练了狗这个类别
num_classes=1
batch_size=4
img_h,img_w=224,224
train_data_dir='images/train'
valid_data_dir='images/valid'

（3）数据增强和导入文件：

#数据增强，对图像进行归一化
train_datagen=ImageDataGenerator(rescale=1./255)
validation_datagen=ImageDataGenerator(rescale=1./255)
#导入要训练的和验证文件中的数据
train_generate=train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_h,img_w),
    batch_size=batch_size,
    class_mode='categorical',
    shuffle=True
)

validation_generate=validation_datagen.flow_from_directory(
    valid_data_dir,
    target_size=(img_h,img_w),
    batch_size=batch_size,
    class_mode='categorical',
    shuffle=True
)

（4）迁移学习模型定义：

#模型定义
model_inception_v3=tensorflow.keras.applications.inception_v3.InceptionV3(weights='imagenet',include_top=False)
x=model_inception_v3.output
x=layers.GlobalAveragePooling2D()(x)
x=layers.Dense(1024,activation='relu')(x)
predications=layers.Dense(num_classes,activation='softmax')(x)
model_inception_V3=Model(inputs=model_inception_v3.input,outputs=predications)

#冻结住所有的层，因为我们这里的数据集很少，所以需要冻结这里的所有层
for layer in model_inception_V3.layers:
    layer.trainable=False

#打印模型细节查看
model_inception_V3.summary()

（5）相关回调函数定义：

#保存最优的模型
checkpoing=ModelCheckpoint(
    'model/recognitionDog_InceptionV3.h5',
    monitor='val_loss',
    mode='min',
    save_best_only=True,
    save_weights_only=False,
    verbose=1
)
#当经过5代之后，验证集的损失值没有下降就提前终止训练
earlystop=EarlyStopping(
    monitor='val_loss',
    min_delta=0,
    patience=5,
    verbose=1,
    restore_best_weights=True
)
#当经过3代的训练之后验证集的损失值没有下降就学习衰减率
reduce_lr=ReduceLROnPlateau(
    monitor='val_loss',
    factor=0.8,
    patience=3,
    verbose=1,
    min_delta=0.0001
)

callbacks=[earlystop,checkpoing,reduce_lr]

（6）开始训练：

epochs=20
history=model_inception_V3.fit(
    train_generate,
    steps_per_epoch=train_generate.n//batch_size,
    epochs=epochs,
    callbacks=callbacks,
    validation_data=validation_generate,
    validation_steps=validation_generate.n//batch_size
)

（7）画图：

x=range(1,len(history.history['accuracy'])+1)
plt.plot(x,history.history['accuracy'])
plt.plot(x,history.history['val_accuracy'])
plt.title('model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epochs')
plt.xticks(x)
plt.legend(['Train','Val'],loc='upper left')
plt.savefig(fname='inception_v3.png',figsize=[10,10])
plt.show()

7.前端文件：

可以参考我这篇文章：
https://mydreamambitious.blog.csdn.net/article/details/123405384
注意：因为我这里训练的是一个类别，所以前端文件中的一些地方需要修改：
在这里插入图片描述
修改地方如下：
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
修改如下：
在这里插入图片描述

# python # flask # 前端 # 计算机视觉
Logo
魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

cover

【计算机视觉】Pixel逐像素分类&Mask掩码分类理解摘要

avatar 魔乐社区

计算机视觉（opencv）实战三十二——CascadeClassifier 人脸微笑检测（摄像头）

本文从原理到实现，详细介绍了基于 OpenCV Haar 分类器的人脸与微笑检测：讲解了 Haar 特征和级联检测原理。对代码逐行拆解并解释参数含义。画出完整流程图，帮助理解执行过程。给出了常见问题和优化建议，甚至扩展到深度学习方法。这种方法简单、轻量、实时性好，非常适合入门和小型应用项目。但如果需要更高准确率和更强鲁棒性，建议使用深度学习检测器替代 Haar 分类器。

avatar 魔乐社区
cover

小杰机器学习（seven）——贝叶斯分类

avatar 魔乐社区