基于Tensorflow搭建卷积神经网络CNN(水果识别)保姆及级教程

项目介绍

TensorFlow2.X 搭建卷积神经网络(CNN),实现水果识别。搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠,然后经过全连接层,最后用softmax映射为每个类别的概率,概率最大的即为识别结果)。

网络结构:

开发环境:

  • python==3.7
  • tensorflow==2.3

数据集:


图片类别:

  • ‘freshapples’:‘新鲜苹果’,
  • ‘freshbanana’:‘新鲜香蕉’,
  • ‘freshoranges’:‘新鲜橙子’,
  • ‘rottenapples’:‘腐烂苹果’,
  • ‘rottenbanana’:‘腐烂香蕉’,
  • ‘rottenoranges’:‘腐烂橙子’

代码调试


拿到项目后,解压文件,解压后如下图所示:

Step1:打开项目文件夹


各个文件及代码介绍:

Step2:搭建开发环境

创建虚拟环境

输入cmd回车后,会打开一个命令终端,下面我们开始创建虚拟环境:

输入命令回车后,出现下面提示,继续回车:

输入命令为:

conda create -n FruitRec_py37 python=3.7

然后回车后,我们就创建了一个环境名称为“FruitRec_py37”的虚拟环境,它的python版本为3.7,如下图所示:

激活虚拟环境

复制这条命令,输入命令行,激活我们创建的虚拟环境:

conda activate FruitRec_py37

安装第三方依赖库

下面开始安装项目用到的第三方依赖库,比如tensorflow、matplotlib、pyqt5等。本次用到的依赖库全部记录在了requirements.txt文件中。下面开始安装:

在命令终端中输入以下命令。

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装成功后,如下如所示:

打开项目配置环境

选择解释器(我们上面创建的虚拟环境)


点击File,然后选择Settings

点击设置按钮,选择“Add”

按照图片的提示操作即可,添加我们需要的“python解释器”,pycharm右下角显示如下图所示即为成功:

训练神经网络模型

打开项目“train_cnn.py”这个代码,根据图片中提示操作:

成功运行效果如下图所示:

成功运行后,接下来要做的事情就是“等待”,根据每个人电脑配置的高低,运行训练网络的代码时间也是不同的(几分钟–几个小时)等待运行完毕,不报错即为训练成功。

在训练成功后,在models文件夹中会生成”cnn_fv.h5″文件。

在训练成功后,在result文件夹中,可以看到“results_cnn.png”图片,记录了训练过程中准确率和loss的变化情况。

测试

在训练模型完毕后,我们开始测试模型(评估模型的性能),打开“test_model.py”

按照图片提示操作。

运行成功后会在results文件夹下生成“heatmap_cnn.png”热力图(可以看到每个类别预测准确率的情况),如下所示:

预测

在经过训练和测试之后,我们得到了一个可以用来做水果识别的神经网络,下面开始预测需要识别的水果图片。打开”windows.py”这个代码,直接点击运行,结果如下所示:

运行成功后得到一个pyqt5的GUI界面,然后我们就可以通过这个GUI操作去预测我们项目预测的水果图片啦!

文章出处登录后可见!

已经登录?立即刷新

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
社会演员多的头像社会演员多普通用户

相关推荐

此站出售,如需请站内私信或者邮箱!