《Python深度学习实战：16种花卉智能识别系统，附完整源码+训练权重+万字项目报告》
❌环境配置困难：PyTorch、CUDA、各种依赖包版本不匹配，配置一次崩溃一次❌代码看不懂：GitHub上的代码没有注释，拿到手一脸懵逼❌模型训练时间长：没有GPU，训练一个模型要等几天几夜❌界面太简陋：写出来的程序黑乎乎的，导师看了直摇头❌数据集难找：网上的数据集要么不完整，要么格式不对。
·
一、前言
🎯 做毕设的你是不是也遇到过这些问题？
临近毕业，做计算机毕设的你一定深有体会：
- ❌ 环境配置困难：PyTorch、CUDA、各种依赖包版本不匹配，配置一次崩溃一次
- ❌ 代码看不懂：GitHub上的代码没有注释，拿到手一脸懵逼
- ❌ 模型训练时间长：没有GPU，训练一个模型要等几天几夜
- ❌ 界面太简陋：写出来的程序黑乎乎的，导师看了直摇头
- ❌ 数据集难找：网上的数据集要么不完整，要么格式不对
✨ 本项目完美解决你的所有痛点！
今天给大家分享一个基于MobileNet深度学习模型的花卉识别系统，这个项目专门为大学生毕业设计和初学者实战学习打造：
- ✅ 纯Python开发，代码规范，注释详细，小白也能看懂
- ✅ 一键运行，无需复杂配置，训练好的权重直接可用
- ✅ 精美UI界面，基于PyQt5开发，界面美观，功能完整
- ✅ 15740张数据集，包含16种常见花卉，训练/验证/测试集已划分好
- ✅ 完整源码，从数据处理到模型训练再到界面开发，全流程覆盖
- ✅ 即拿即用，训练好的模型权重已包含，直接运行即可体验
二、系统演示
🖼️ 主界面展示
界面特点：
- 精美的背景设计，支持图片背景和纯色背景切换
- 实时显示当前日期和星期
- 左侧显示识别结果和花卉相关信息介绍
- 中间预览框实时展示识别图片
- 右侧支持单张检测和批量检测功能
- 底部表格展示批量检测的详细结果
🎯 识别效果展示
系统性能指标：
- 📊 准确率：95%+
- ⚡ 识别速度：单张图片推理时间 < 100ms（CPU环境）
- 🎯 支持类别：16种常见花卉（向日葵、康乃馨、玫瑰、雏菊、郁金香、睡莲、木兰花、风铃草、鸢尾花、黄水仙等）
- 💪 批量处理：支持文件夹批量识别，结果可导出为CSV文件
三、核心技术栈
🛠️ 技术选型
| 技术 | 用途说明 |
|---|---|
| Python3.11 | 核心开发语言，简单易学 |
| PyTorch | 深度学习框架，社区成熟，文档丰富 |
| PyQt5 | 图形界面开发，功能强大，界面美观 |
| PIL/Pillow | 图像处理库，加载和预处理图片 |
| torchvision | 图像变换和数据增强 |
| matplotlib | 可视化训练曲线和结果分析 |
| MobileNet | 轻量级CNN模型，速度快，精度高 |
📝 为什么选择这些技术？
- PyTorch：相比TensorFlow更易上手，动态图设计让调试更方便，适合学生和初学者
- PyQt5：跨平台GUI框架，界面美观，功能完整，可以做出专业级应用
- MobileNet：轻量级模型，在移动端和CPU环境下都能快速推理，非常适合实际应用
- Python：语法简洁，生态丰富，是深度学习领域的主流语言
四、项目目录结构
mobile_net_flower_02/
│
├── all_data/ # 数据集文件夹
│ ├── train/ # 训练集（每个类别约700-800张）
│ ├── val/ # 验证集（每个类别约100张）
│ └── test/ # 测试集（每个类别约100张）
│
├── models/ # 模型定义文件夹
│ └── mobilenet.py # MobileNet模型架构实现
│
├── weights/ # 模型权重文件夹
│ └── flower-best-epoch.pth # 训练好的最佳模型权重
│
├── ui/ # 界面资源文件夹
│ ├── background.png # 背景图片
│ ├── 图像.png # 图像按钮图标
│ └── 文件夹.png # 文件夹按钮图标
│
├── font/ # 字体文件夹
│ ├── simhei.ttf # 黑体字体
│ └── simsun.ttc # 宋体字体
│
├── 主界面.py # 主程序入口（GUI界面）
├── train.py # 模型训练脚本
├── predict.py # 单张图片推理脚本
├── utils.py # 工具函数（数据处理、训练评估等）
├── my_dataset.py # 自定义数据集类
├── class_indices.json # 类别索引映射文件
│
├── confusion_matrix.py # 混淆矩阵生成脚本
├── roc_curve.py # ROC曲线绘制脚本
├── dataset_show.py # 数据集可视化脚本
│
└── 先看我-项目使用说明/ # 项目说明文档
├── 1-项目文件介绍.png
└── 其他说明文档...
项目结构说明：
- 📁
all_data/：完整数据集，已按train/val/test划分，开箱即用 - 📁
models/：模型定义清晰，便于修改和扩展 - 📁
weights/：包含训练好的模型权重，无需重新训练即可使用 - 📁
ui/：界面资源完整，界面美观专业 - 📝 主要Python文件：功能模块化，代码规范，注释详细
五、核心代码展示
🔍 代码片段1：主界面初始化与模型加载
这段代码展示了如何初始化GUI界面并加载训练好的模型：
super(MainWindow, self).__init__(parent) # 调用父类的初始化方法
self.setupUi(self) # 由 Qt Designer 生成的 UI 初始化
# 背景设置相关变量初始化
self.use_color_bg = False # 默认使用图片背景
self.bg_color = "rgb(255,181,197)" # 默认背景颜色（粉色）
# 背景图自适应：初始化背景图并按窗口大小铺满
self._bg_pixmap = QtGui.QPixmap("ui/background.png") # 加载背景图
self.label_8.setScaledContents(True) # 设置标签内容可缩放
self.label_8.setStyleSheet("background-color: transparent;") # 设置标签背景透明
self._update_background() # 更新背景图显示
# 默认设置背景样式
# 示例：如何在代码中切换背景
# 使用纯色背景:
#self.set_background(use_color=True, color="rgb(255,181,197)") # 设置为粉色背景
# 使用图片背景:
self.set_background(use_color=False) # 取消注释此行可设置为图片背景
# 设置文本区域的字体大小，便于阅读
font = QFont() # 创建字体对象
font.setPointSize(12) # 设置字体大小为12点
self.textEdit.setFont(font) # 应用字体到文本编辑框
# 日期与星期展示区域：在顶部显示当天日期与星期几
# 获取当前日期并转换为字符串
today = str(datetime.datetime.now().date())
# 获取今天是星期几（0-6，0代表星期一，6代表星期日）
weekday = int(datetime.datetime.now().weekday())
# print(weekday) # 星期几的数字表示，0代表星期一，6代表星期日
# 设置日期标签，格式为：年/月/日
self.label_13.setText(today.split('-')[0] + '/' + today.split('-')[1]+ '/' + today.split('-')[2])
# 根据weekday值设置对应的星期文本
if weekday == 0:
self.label_14.setText('星期一')
if weekday == 1:
self.label_14.setText('星期二')
if weekday == 2:
self.label_14.setText('星期三')
if weekday == 3:
self.label_14.setText('星期四')
if weekday == 4:
self.label_14.setText('星期五')
if weekday == 5:
self.label_14.setText('星期六')
if weekday == 6:
self.label_14.setText('星期日')
# 下方表格：用于展示检测结果（序号/路径/类别/置信度）
# 设置表格自适应大小（根据内容自动调整）
self.tableWidget.resizeColumnsToContents() # 列宽自适应内容
self.tableWidget.resizeRowsToContents() # 行高自适应内容
# 设置表格初始行列数
self.tableWidget.setRowCount(4) # 设置初始行数为4
self.tableWidget.setColumnCount(4) # 设置列数为4
# 设置表格的拉伸模式
self.tableWidget.horizontalHeader().setSectionResizeMode(QtWidgets.QHeaderView.Stretch)
# 列自适应（在水平方向占满容器宽度）
self.tableWidget.verticalHeader().setSectionResizeMode(QtWidgets.QHeaderView.Stretch)
# 行自适应（在垂直方向占满容器高度）
# 行/列标题是否隐藏，这里仅隐藏列表头（即行号）
# self.tableWidget.horizontalHeader().hide() # 隐藏水平表头（列标题）
self.tableWidget.verticalHeader().hide() # 隐藏垂直表头（行号）
# 设置表头标题
self.tableWidget.setHorizontalHeaderLabels(['序号', '图像路径', '识别类型','置信度'])
# 显示表格网格线
self.tableWidget.setShowGrid(True) # 显示表格的网格线
# 结果显示的两个标签先置空
self.label_res.setText('') # 清空识别结果标签
self.label_pro.setText('') # 清空置信度标签
# 占位提示：便于用户理解输入位置
self.lineEdit_pic.setPlaceholderText(' 点击选择图像') # 设置图像输入框的提示文字
self.lineEdit_folder.setPlaceholderText(' 点击选择文件夹') # 设置文件夹输入框的提示文字
# 加载检测模型的前置环境设置
# 解决英特尔MKL库可能的冲突问题
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'
# 设置推理设备（如有 CUDA 则使用 GPU，否则使用 CPU）
self.device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 检测并设置计算设备
# 读取类别索引文件（json），用于将预测索引映射到中文类别名
json_path = './class_indices.json' # 类别索引文件路径
# 确保文件存在，否则抛出异常
assert os.path.exists(json_path), "file: '{}' dose not exist.".format(json_path)
# 打开并加载类别索引文件
json_file = open(json_path, "r")
self.class_indict = json.load(json_file) # 加载类别索引字典
# 提取类别名列表（长度即为分类数，用于构建模型输出维度）
classes = list(self.class_indict.values()) # 获取所有类别名称
# 创建模型网络，并将其放到指定设备
self.model = create_model(class_num=len(classes)).to(self.device) # 创建MobileNet模型实例
# 加载训练好的权重
model_weight_path = "weights/flower-best-epoch.pth" # 模型权重文件路径
# 加载模型权重到当前设备
self.model.load_state_dict(torch.load(model_weight_path, map_location=self.device))
self.model.eval() # 切换到评估模式（关闭 Dropout/BN 训练行为）
代码解析：
- 🔧 环境初始化：自动检测GPU/CPU，优先使用GPU加速推理
- 📁 模型加载：从权重文件加载训练好的MobileNet模型
- 🎨 界面设置：配置背景、字体、表格等UI元素
- 📅 日期显示：自动获取并显示当前日期和星期
🔍 代码片段2：图像预处理与模型推理
这段代码展示了如何对输入图像进行预处理并进行模型推理：
def img_detect(self):
"""对当前选择的图片进行推理，并在界面上展示结果与表格条目
这个方法会对用户选择的图片进行预处理，然后使用加载的模型进行推理，
最后将结果显示在界面上的标签和表格中
"""
# 清空表格内容并设置为只有1行
self.tableWidget.clearContents()
self.tableWidget.setRowCount(1)
# 统一的图像预处理：Resize -> CenterCrop -> ToTensor -> Normalize
img_size = 224 # 模型输入图像大小
data_transform = transforms.Compose(
[transforms.Resize(int(img_size * 1.143)), # 先将图像调整为略大尺寸
transforms.CenterCrop(img_size), # 中心裁剪到模型所需尺寸
transforms.ToTensor(), # 转换为张量
# 使用ImageNet预训练模型的标准化参数
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
# 加载图像
# 确保文件存在
assert os.path.exists(self.img_path), "file: '{}' dose not exist.".format(self.img_path)
img = Image.open(self.img_path) # 打开图像
# 应用预处理变换 [C, H, W] 格式
img = data_transform(img)
# 扩展 batch 维度：从 [C,H,W] -> [1,C,H,W]，因为模型需要batch维度
img = torch.unsqueeze(img, dim=0)
# 调用模型进行检测
with torch.no_grad(): # 不计算梯度，节省内存
# 将图像送入模型进行预测
output = torch.squeeze(self.model(img.to(self.device))).cpu() # 将输出从[1,C]压缩为[C]并移回CPU
predict = torch.softmax(output, dim=0) # 应用softmax获取概率分布
predict_cla = torch.argmax(predict).numpy() # 获取概率最高的类别索引
# 控制台打印各类别概率（便于调试观察）
for i in range(len(predict)):
# 打印每个类别的名称和对应的预测概率
print("class: {:10} prob: {:.3}".format(self.class_indict[str(i)],
predict[i].numpy()))
# 获取预测结果（概率最高的类别）
res = self.class_indict[str(list(predict.numpy()).index(max(predict.numpy())))] # 获取最高概率对应的类别名
num = "%.2f" % (max(predict.numpy()) * 100) + "%" # 格式化概率为百分比字符串
print(res, num) # 打印最终预测结果和置信度
# 文本说明/类别名称/置信度展示
self.textEdit.setText(data_inf[res]) # 在文本框中显示该的详细信息
self.label_res.setText(res) # 在标签中显示预测的类别
self.label_pro.setText(num) # 在标签中显示预测的置信度
# 将该次结果填入表格第一行
for column, data in enumerate(['1', self.img_path, res, num]):
# 创建表格项并设置到表格的对应位置
self.tableWidget.setItem(0, column, QtWidgets.QTableWidgetItem(str(data)))
代码解析：
- 🖼️ 图像预处理：Resize→CenterCrop→ToTensor→Normalize，与训练时保持一致
- 🚀 模型推理：使用
torch.no_grad()节省内存，自动选择GPU/CPU - 📊 结果解析：通过softmax获取概率分布，取最大概率对应的类别
- 💻 界面更新：将识别结果和置信度实时显示在界面上
🔍 代码片段3：批量检测（异步处理，避免界面卡顿）
这段代码展示了如何实现批量检测，使用定时器避免界面卡顿：
def start_detect_folder(self):
"""启动/停止批量检测
- 启动时：清空并设置表格行数，构建待检测图片路径列表，初始化游标并启动定时器
- 停止时：停止定时器并恢复按钮文案
这个方法实现了批量检测按钮的切换功能，可以启动或停止批量检测过程
"""
if self.timer_folder.isActive() == False: # 若定时器未启动
self.tableWidget.clearContents()
self.tableWidget.setRowCount(len(os.listdir(self.folder)))
self.folder_list = [self.folder + '/' + path for path in os.listdir(self.folder)]
self.folder_num = 0
self.timer_folder.start(30)
self.pushButton_folder_begin.setText('停止检测')
self.folder_res=[]
else:
self.timer_folder.stop()
self.pushButton_folder_begin.setText('批量检测')
def detect_folder_timer(self):
"""定时器回调：每次处理一张图片，避免界面卡顿
这个方法是定时器的回调函数，每次触发时处理一张图片，然后更新界面。
通过这种方式可以避免同步处理大量图片导致的界面卡顿问题。
"""
if self.folder_num==len(self.folder_list):
self.timer_folder.stop()
self.pushButton_folder_begin.setText('批量检测')
else:
img_path=self.folder_list[self.folder_num]
print(img_path)
image = Image.open(img_path)
r_image = image.resize((331, 241))
r_image.save('test.png')
# 将检测出的图片放到界面框中
self.label_pic.setStyleSheet("image: url(./test.png)")
res,pro = self.img_detect2(img_path)
print(self.folder_num)
self.folder_res.append([str(self.folder_num + 1), img_path, res, pro])
for column, data in enumerate([str(self.folder_num + 1), img_path, res, pro]):
self.tableWidget.setItem(self.folder_num, column, QtWidgets.QTableWidgetItem(str(data)))
self.folder_num += 1
代码解析：
- ⏱️ 定时器机制：使用QTimer实现异步处理，每30ms处理一张图片
- 🖥️ 界面响应：避免同步处理导致的界面卡顿，用户体验流畅
- 📋 结果存储：将每张图片的识别结果存储到列表中，支持导出CSV
六、如何使用/运行步骤
📦 环境配置
步骤1：安装Python环境
推荐使用 Python 3.8 - 3.11，可以使用Anaconda或直接安装Python。
步骤2：安装依赖包
在项目根目录下打开命令行，执行：
pip install -r requirements.txt
如果没有requirements.txt文件，可以手动安装以下依赖：
pip install torch torchvision
pip install PyQt5
pip install Pillow
pip install matplotlib
pip install tqdm
步骤3：验证环境
确保以下关键库安装成功：
import torch
import torchvision
from PyQt5 import QtWidgets
from PIL import Image
print("PyTorch版本:", torch.__version__)
print("CUDA可用:", torch.cuda.is_available())
🚀 运行项目
方式1：运行GUI界面（推荐）
直接运行主界面程序：
python 主界面.py
使用说明：
-
单张检测：
- 点击"选择图像"按钮，选择一张花卉图片
- 点击"开始检测"按钮，即可看到识别结果
-
批量检测：
- 点击"选择文件夹"按钮，选择包含多张图片的文件夹
- 点击"批量检测"按钮，系统会自动逐张识别
- 识别完成后，点击"结果导出"可将结果保存为CSV文件
方式2：命令行推理
如果只想进行单张图片推理，可以使用：
python predict.py
修改predict.py文件末尾的图片路径即可。
方式3：模型训练（可选）
如果你想自己训练模型：
python train.py --data-path ./all_data/train --batch-size 32 --epochs 50
训练参数可以根据实际情况调整。
七、获取源码方式
📥 完整项目资源
由于篇幅限制，本文只展示了项目的核心功能和关键代码片段。如果你想获取：
- ✅ 完整源代码（所有Python文件，带详细注释）
- ✅ 训练好的模型权重（flower-best-epoch.pth）
- ✅ 完整数据集（15740张图片，已划分train/val/test）
- ✅ UI界面文件（.ui文件和所有资源）
- ✅ 万字项目报告（适合毕设答辩）
- ✅ 项目使用说明文档（图文并茂）
- ✅ 环境配置视频教程（手把手教学）
请点击下方链接获取完整资源：
项目获取链接：https://my.feishu.cn/wiki/ZB2twF4D6iZywWkEJLjctE4enIf?from=from_copylink
#Python #深度学习 #PyTorch #花卉识别 #MobileNet #计算机视觉 #毕业设计 #PyQt5
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
16
0- 0
已为社区贡献5条内容
所有评论(0)