博主介绍：✌全网粉丝50W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战8年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

技术栈：
Python语言、Django框架、pytorch、百度云API、车类型-车品牌-车颜色 识别、深度学习神经网络 resNet50.pth 有训练集和测试集

2、项目界面

（1）车类型+车品牌+车颜色 识别1

（2）车类型+车品牌+车颜色 识别2

（3）上传文件进行检测识别

（4）首页

（5）检测识别记录

（6）汽车百科

（7）个人中心

（8）后台管理

（9）登录界面

3、项目说明

摘 要
当下是一个数据化、信息化的时代，在这样一个时代中，通过计算机与人工智能相结合的不断发展，使得计算机能够更好的通过模拟人类的思维模式来为人们提供更多、更好的服务。而利用计算机对于图像的识别则是非常常见的一种方式。特别是在当下的交通管理上，通过利用摄像机拍摄图像，通过计算机对于图像中的车辆进行要素的获取，能够很好的通过搜集到的车辆要素，例如车牌、车辆品牌、驾驶人员等。通过获取图像能够准确的判断车辆的所有者，获取最为准确地数据信息。这项技术在当下的智慧交通中已经得到了非常好的应用。
而在机动车的自动识别过程中，通过利用深度学习的算法来让计算机通过不断地获取信息要素形成信息库，可以更好的提升计算机对于车辆的识别能力。本次就是通过利用了深度学习技术结合Python开发工具来设计一款能够在线通过图片分析来识别车辆的品牌的软件。通过该软件的搭建能够建立汽车的品牌百科，通过深度学习的方式不断的填充百科信息库中的内容，通过车辆识别功能来进行图像的上传来对图像中的车辆的类型、车辆的品牌以及车辆的颜色进行识别，通过识别操作来进一步的提升计算机的应用广泛度，能够让计算机通过自主分析来更好的代替人工来实现有效的数据信息判断。

关 键 词：深度学习；车辆特征；车牌识别；Python

本次的设计以及研究的过程是围绕着利用了深度学习的模型来让计算机能够对上传的图片中的车辆特征进行分析。在此次的系统设计中，通过以Python语言作为主开发语言，以MySQL作为数据库来进行B/S结构的系统开发，在开发中加入了卷积神经网络模型，从而让计算机通过不断的训练掌握了识别车辆特征的能力。通过本次的开发，计算机系统已经可以很好的实现对汽车的品牌、汽车的颜色以及汽车的类型进行有效的内容判别，整体的系统运行稳定性强，识别车辆的特征准确率高。

4、核心代码

import os
import json

import torch
from PIL import Image
from torchvision import transforms


# from get_info import predict as bsb   # 单独运行这个文件 要用这个
from .get_info import predict as bsb      # 网页运行要用这个
# from model import resnet50           # 单独运行这个文件 要用这个
from .model import resnet50         # 网页运行要用这个



workdir = os.path.dirname(os.path.abspath(__file__))

def main(img_path,tok):
    # 如果有NVIDA显卡,转到GPU训练，否则用CPU
    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

    # 将多个transforms的操作整合在一起
    data_transform = transforms.Compose(
        [transforms.Resize(256),
         transforms.CenterCrop(224),
         transforms.ToTensor(),
         transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])

    # 确定图片存在，否则反馈错误
    assert os.path.exists(img_path), "file: '{}' dose not exist.".format(img_path)
    img = Image.open(img_path)
    # imshow()：对图像进行处理并显示其格式，show()则是将imshow()处理后的函数显示出来
    #plt.imshow(img)
    # [C, H, W]，转换图像格式
    img = data_transform(img)
    # [N, C, H, W]，增加一个维度N
    img = torch.unsqueeze(img, dim=0)
    col , xh = bsb(img_path,tok)
    # 获取结果类型
    json_path = os.path.join(workdir,'class_indices.json')
    # 确定路径存在，否则反馈错误
    assert os.path.exists(json_path), "file: '{}' dose not exist.".format(json_path)
    # 读取内容
    with open(json_path, "r") as f:
        class_indict = json.load(f)

    # 模型实例化，将模型转到device，结果类型有5种
    model = resnet50(num_classes=12).to(device)

    # 载入模型权重
    weights_path = os.path.join(workdir,'models',"resNet50.pth")
    # 确定模型存在，否则反馈错误
    assert os.path.exists(weights_path), "file: '{}' dose not exist.".format(weights_path)
    # 加载训练好的模型参数
    model.load_state_dict(torch.load(weights_path, map_location=device))

    # 进入验证阶段
    model.eval()
    with torch.no_grad():
        # 预测类别
        # squeeze()：维度压缩，返回一个tensor（张量），其中input中大小为1的所有维都已删除
        output = torch.squeeze(model(img.to(device))).cpu()
        # softmax：归一化指数函数，将预测结果输入进行非负性和归一化处理，最后将某一维度值处理为0-1之内的分类概率
        predict = torch.softmax(output, dim=0)
        # argmax(input)：返回指定维度最大值的序号
        # .numpy()：把tensor转换成numpy的格式
        predict_cla = torch.argmax(predict).numpy()

    # 输出的预测值与真实值
    print_res = "class: {}   prob: {:.3}".format(class_indict[str(predict_cla)],
                                                 predict[predict_cla].numpy())
    print(print_res)

    return class_indict[str(predict_cla)],col,xh


if __name__ == '__main__':
    tok = ''
    # img_path = '001.png'
    img_path = './1.jpg'
    result = main(img_path,tok)
    print(result)

5、源码获取方式

biyesheji0005  或  biyesheji0001   （绿色聊天软件）

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻