卷积神经网络训练花卉识别分类器

卷积神经网络训练花卉识别分类器

介绍

  本部分是花卉分类器,后续会有更为详细的更新。

  花卉分类器使用语言:Python,使用深度学习框架:PyTorch,方法:训练卷积神经网络

  关于PyTorch的基本用法可以参考博客:PyTorch笔记

  Gitee仓库:花卉识别

  Github仓库:花卉识别

  Git相关用法可以参考博客:Git使用笔记

数据集

  目前选用了20种花卉数据用于分类

  data文件夹内存放了我使用的20种花卉数据集。日后会继续扩增。

  数据来源主要取决于3个方面:

  • 5种花卉数据集,每类花卉包含600张到900张不等的图片
  • 来源于Oxford 102 Flowers数据集,该数据集包含102类英国花卉数据,每个类别包含 40 到 258 张图像
  • 最后一部分来源于百度图片,使用python程序批量采集花卉图像数据

  有些花卉的name是我自己写的,采用的是花卉的学名,通常是拉丁文。

  我选用的20种花卉数据如下所示:

编号 name 名称 数量
1 daisy 雏菊 633
2 dandelion 蒲公英 898
3 roses 玫瑰花 641
4 sunflowers 向日葵 699
5 tulips 郁金香 799
6 Nymphaea 睡莲 226
7 Tropaeolum_majus 旱金莲 196
8 Digitalis_purpurea 毛地黄 190
9 peach_blossom 桃花 55
10 Jasminum 茉莉花 60
11 Matthiola 紫罗兰 54
12 Rosa 月季 54
13 Rhododendron 杜鹃花 57
14 Dianthus 康乃馨 48
15 Cerasus 樱花 50
16 Narcissus 水仙花 52
17 Pharbitis 牵牛花 46
18 Gazania 勋章菊 108
19 Eschscholtzia 花菱草 82
20 Tithonia 肿柄菊 47

  花卉样式:

image-20200323134803440

数据扩展

  收集到的每种花卉数量不是很多,而像樱花、水仙花等都是每类50张左右,数据量过少,若直接拿去训练模型的话,正确率不会太高,且会发生严重的过拟合。

  目前使用的数据扩展方法分为三种:镜像翻转、上下翻转和椒盐噪声。

  镜像翻转:将图片左右翻转,生成新的数据

image-20200323161939465

  上下翻转:将图片上下翻转,生成新的数据

image-20200323162157922

  椒盐噪声:为图片增加噪声,生成新的数据

image-20200323162309627

  扩展后的花卉数量如下所示:

编号 name 名称 数量 增量后数量
1 daisy 雏菊 633 2496
2 dandelion 蒲公英 898 3588
3 roses 玫瑰花 641 2400
4 sunflowers 向日葵 699 2796
5 tulips 郁金香 799 3196
6 Nymphaea 睡莲 226 1808
7 Tropaeolum_majus 旱金莲 196 1568
8 Digitalis_purpurea 毛地黄 190 1360
9 peach_blossom 桃花 55 440
10 Jasminum 茉莉花 60 480
11 Matthiola 紫罗兰 54 432
12 Rosa 月季 54 432
13 Rhododendron 杜鹃花 57 456
14 Dianthus 康乃馨 48 384
15 Cerasus 樱花 50 400
16 Narcissus 水仙花 52 416
17 Pharbitis 牵牛花 46 368
18 Gazania 勋章菊 108 464
19 Eschscholtzia 花菱草 82 656
20 Tithonia 肿柄菊 47 376

数据切分

  数据集准备好了,要切分为训练集、验证集和测试集。

  在PyTorch的torchvision包内有一个关于计算机视觉的数据读取类ImageFolder,它的调用方式是torchvision.datasets.ImageFolder,主要功能是读取图片数据,且要求图片是下图这种存放方式。

image-20200321104936098

  然后这样来调用类:

train_dataset = ImageFolder(root='./data/train/',transform=data_transform)

  root表示根目录,transform表示数据预处理方式。

  这种方式将train目录下的cat和dog文件夹内的所有图片作为训练集,而文件夹名cat和dog作为标签数据进行训练。

  因此我们就要像ImageFolder要求的那样切分数据集。

image-20200323184552442

  我切分的比例是3:1:1。实际上,如果不想切分出验证集的话,可以将验证集的代码部分注掉,直接使用训练集和测试集也是可以的。

#比例
scale = [0.6, 0.2, 0.2]

  至此,数据部分准备完成了。

模型训练

  目前采用的是AlexNet和VGG16两种网络,其实两种网络比较相似,不同的是VGG16较于AlexNet更“深”

  AlexNet网络结构如下:

img

  VGG16网络结构如下:

在这里插入图片描述

  二者相比较,VGG16准确率更高一些,可见更深的网络对于提高准确率有一定的帮助。

  AlexNet训练过程中的准确率变化如下:

image-20200323225509766

  VGG16经历200个epoch训练的准确率变化如下:

image-20200323230153110

  AlexNet经历了500个epoch训练后最终能达到83%的准确率

  VGG16经历了200个epoch训练后最终能达到90%的正确率

  以上两种训练的模型参数我都保存到了仓库内

在这里插入图片描述

模型验证

  除了验证测试集以外,还可以用图片去验证模型的训练效果。

  选用的是验证效果比较好的VGG16网络,读取的参数是200个epoch训练后的参数

image-20200323231914637

image-20200323231935143

  可以看到,测试的效果还是非常好的,模型可以非常准确的判断花卉的种类。

一个补充

  如果你恰好有个云服务器,又想做一个web服务器的话,可以尝试flask框架(当然在本地也可以使用flask,不过这个就没有多大意义了)

  按照flask文件夹中的程序,在服务器上运行之后,然后打开一个新网页,输入IP:端口?图片地址就可以做识别了。

image-20200423135159846

  其中sjcup.cn是我的一个域名,这里可以替换为自己服务器的公网IP

  另外还有一个坑就是图片名称不可为中文名称,否则会检测不到

  公网IP无法访问的问题可以根据这个链接做一些修改

觉得文章还不错的话就请留下一个大大的赞吧,十分感谢!!

下一步计划

  • 扩增数据集,可以识别更多类别的花卉
  • 采用新的网络训练,如Inception V3
「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论