提示：文章寫完后，目錄可以自動(dòng)生成，如何生成可參考右邊的幫助文檔

前言

提示 面對(duì)水果識(shí)別系統(tǒng)Python，基于TensorFlow卷積神經(jīng)網(wǎng)絡(luò)算---深度學(xué)習(xí)算法：

提示：以下是本篇文章正文內(nèi)容，下面案例可供參考

一、項(xiàng)目含義背景

果蔬識(shí)別系統(tǒng)，使用Python作為主要開發(fā)語言，使用深度學(xué)習(xí) TensorFLOw框架，Django框架，搭建卷積神經(jīng)網(wǎng)絡(luò)算法，并通過對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，最后得到一個(gè)識(shí)別精度較高的模型，并且使用網(wǎng)站網(wǎng)頁端操作平臺(tái)，實(shí)現(xiàn)用戶上傳一張圖片識(shí)別。

二、數(shù)據(jù)集

1:使用的是CIFAR-10數(shù)據(jù)集， 包含10個(gè)類別的60000張像素的彩色圖像集。

三、讀取數(shù)據(jù)——預(yù)處理

1：讀取數(shù)據(jù)

代碼如下（示例）：

1. 導(dǎo)入 pathlib-----pathlib 模塊提供了表示文件系統(tǒng)路徑的類，可適用于不同的操作系統(tǒng)。使用 pathlib 模塊，相比于 os 模塊可以寫出更簡潔，易讀的代碼。

import pathlib

data_dir = "./dataset/"
data_dir = pathlib.Path(data_dir)
image_count = len(list(data_dir.glob('*/*')))
print("圖片總數(shù)為：",image_count)

2.數(shù)據(jù)處理調(diào)配

batch_size = 12
img_height = 224
img_width  = 224
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="training",
    seed=12,
    image_size=(img_height, img_width),
    batch_size=batch_size)
    val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="validation",
    seed=12,
    image_size=(img_height, img_width),
    batch_size=batch_size)
    class_names = train_ds.class_names
print("數(shù)據(jù)類別有：",class_names)

2.檢查數(shù)據(jù)

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

3.配置數(shù)據(jù)集

AUTOTUNE = tf.data.AUTOTUNE

def train_preprocessing(image,label):
    return (image/255.0,label)

train_ds = (
    train_ds.cache()
#     .shuffle(2000)
    .map(train_preprocessing)    # 這里可以設(shè)置預(yù)處理函數(shù)
#     .batch(batch_size)           # 在image_dataset_from_directory處已經(jīng)設(shè)置了batch_size
    .prefetch(buffer_size=AUTOTUNE)
)

val_ds = (
    val_ds.cache()
#     .shuffle(2000)
    .map(train_preprocessing)    # 這里可以設(shè)置預(yù)處理函數(shù)
#     .batch(batch_size)         # 在image_dataset_from_directory處已經(jīng)設(shè)置了batch_size
    .prefetch(buffer_size=AUTOTUNE)
)

四.網(wǎng)絡(luò)結(jié)構(gòu)

• 網(wǎng)絡(luò)結(jié)構(gòu)圖：
  

1.數(shù)字圖像識(shí)別主要是在計(jì)算機(jī)視覺的基礎(chǔ)上，通過收集圖像的輪廓、特征、色彩、紋理等信息來進(jìn)行識(shí)別。一般的圖像識(shí)別流程如圖所示。

2.水果識(shí)別的設(shè)計(jì)主要分為六大步驟，具體的流程圖如圖所示

3.調(diào)用預(yù)訓(xùn)練的ResNet50模型并在新的數(shù)據(jù)集上進(jìn)行訓(xùn)練和識(shí)別。這里我們將使用CIFAR-10數(shù)據(jù)集，一個(gè)包含10個(gè)類別的60000張32x32像素的彩色圖像集。(部分代碼)

<1>我們定義了一個(gè)模型，其中包括預(yù)訓(xùn)練的ResNet50模型和一些額外的全連接層。這些全連接層是用來根據(jù)我們的新任務(wù)（在這個(gè)例子中是CIFAR-10分類）來學(xué)習(xí)特定的特征。我們指定ResNet50模型的權(quán)重來自Imagenet預(yù)訓(xùn)練，并且不包括頂部的全連接層（因?yàn)槲覀円砑幼约旱娜B接層）。

# 構(gòu)建模型
base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(32, 32, 3))
model = models.Sequential()
model.add(base_model)
model.add(layers.Flatten())
model.add(layers.Dense(1024, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax')) # 這里的 10 是 CIFAR10 數(shù)據(jù)集的類別數(shù)量

# 凍結(jié)預(yù)訓(xùn)練模型的卷積層，避免在訓(xùn)練過程中破壞預(yù)訓(xùn)練的權(quán)重
for layer in base_model.layers:
    layer.trainable = False

五.模型的訓(xùn)練

1.損失函數(shù)（loss function）或 代價(jià)函數(shù) （cost function）是將隨機(jī)事件或其有關(guān)隨機(jī)變量的取值映射為非負(fù)實(shí)數(shù)以表示該隨機(jī)事件的“風(fēng)險(xiǎn)”或“損失”的函數(shù)。
2.在定義了模型結(jié)構(gòu)之后，我們編譯模型，指定優(yōu)化器、損失函數(shù)和評(píng)價(jià)指標(biāo)。(如下代碼)

# 構(gòu)建模型
base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(32, 32, 3))
model = models.Sequential()
model.add(base_model)
model.add(layers.Flatten())
model.add(layers.Dense(1024, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(10, activation='softmax')) # 這里的 10 是 CIFAR10 數(shù)據(jù)集的類別數(shù)量

# 凍結(jié)預(yù)訓(xùn)練模型的卷積層，避免在訓(xùn)練過程中破壞預(yù)訓(xùn)練的權(quán)重
for layer in base_model.layers:
    layer.trainable = False

# 編譯模型
model.compile(optimizer=optimizers.Adam(),
              loss='categorical_crossentropy', 
              metrics=['accuracy'])

# 訓(xùn)練模型
history = model.fit(train_images, train_labels, 
                    validation_data=(test_images, test_labels), 
                    batch_size=64, 
                    epochs=5)

# 評(píng)估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

3.接著，我們使用訓(xùn)練數(shù)據(jù)和標(biāo)簽對(duì)模型進(jìn)行訓(xùn)練，設(shè)置了批量大小和訓(xùn)練輪數(shù)，并使用驗(yàn)證數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證。
4.訓(xùn)練完成后，我們?cè)跍y(cè)試集上評(píng)估模型的性能，打印出測(cè)試集上的精度。

六.成品展示

1.代碼運(yùn)行

2.基于Django框架，開發(fā)網(wǎng)頁端操作平臺(tái)----預(yù)測(cè)

3.后臺(tái)管理----數(shù)據(jù)庫存儲(chǔ)

總結(jié)

提示：本文章只用于參考，謝謝鑒賞。文章來源地址http://www.zghlxwxcb.cn/news/detail-795556.html

到了這里，關(guān)于水果識(shí)別系統(tǒng)Python，基于TensorFlow卷積神經(jīng)網(wǎng)絡(luò)算法的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！