使用CNN或resnet，分别在flower5，flower17，flower102数据集上实现花朵识别分类-附源码-免费

前言

使用cnn和resnet实现了对flower5，flower17，flower102数据集上实现花朵识别分类。也就是6份代码，全部在Gitee仓库里，记得点个start支持谢谢。

本文给出flower17在cnn网络实现，flower102在resnet网络实现的代码。其余在Gitee仓库中，还附有学习其他博主的模型的代码。

前置准备

理论：一定的深度学习，卷积神经网络的理论知识学习，python基础语法。

环境：Anaconda3安装，python安装，pycharm安装，相应的依赖包安装，如TensorFlow，matplotlib，pillow，pandas等。

数据集

介绍

flower5

flower17

flower102

下载

https://gitee.com/karrysmile/flower_data.git

每个flower.*文件夹就是一个数据集。

每个数据集中包含train,valid文件夹，分别作训练集和数据集用。

训练集和数据集文件架构相同，包含文件夹相同，同种花归为一个文件夹，以花名为文件夹名。

运行要求

我的电脑配置是

flower5,17可以在本地运行，flower102建议用显卡跑。没有显卡的可以到腾讯云或其他平台，租一个服务器来跑，我租了一个Tesla V4显卡来跑，1.6r一小时，用钱换时间。

代码

代码思路

导入数据集
数据预处理
构建模型
训练模型
调参优化
结果可视化
模型复用

代码解释

以flower17数据集的cnn模型，flower102数据集的resnet模型作为举例，其余在文末的仓库里。

每行代码都加了注释，看注释吧。

# flower17_cnn
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
import sys
import datetime
from keras.callbacks import ReduceLROnPlateau, EarlyStopping, ModelCheckpoint
# 打印环境版本信息 作者信息
print("@Author karrysmile")
print("@Date "+datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
print("Python version:"+sys.version)
print("TensorFlow version:", tf.__version__)

# 设置GPU设备 有的话动态增长
physical_devices = tf.config.list_physical_devices('GPU')
if physical_devices:
    tf.config.experimental.set_memory_growth(physical_devices[0], True)

# 该数据集总共1360个文件，其中1190用于训练集，170用于验证集

# 数据准备和增强
# 文件目录
train_data_dir = 'flower_data/train'
valid_data_dir = 'flower_data/valid'
# 批处理大小
batch_size = 32
# 每张图片的重塑大小
image_size = (128, 128)

# 使用 ImageDataGenerator 对图像进行数据增强
train_datagen = ImageDataGenerator(
    # 设定数据增强的模式参数
    # 将图像的像素值缩放到 [0, 1] 范围内。
    rescale=1./255,
    # 随机旋转图像30度
    rotation_range=30,
    # 随机水平平移20%
    width_shift_range=0.2,
    # 随机垂直平移20%
    height_shift_range=0.2,
    # 随机应用错切变换20度
    shear_range=0.2,
    # 随机缩放图像尺寸20%
    zoom_range=0.2,
    # 随机进行水平翻转
    horizontal_flip=True,
    # 随机亮度变化20%
    brightness_range=[0.8, 1.2],  # 亮度范围
)
# 验证集只把图像的像素值缩放到 [0, 1] 范围内。
test_datagen = ImageDataGenerator(rescale=1./255)

# 应用数据增强模型，设定训练数据，从文件目录读取图像
train_generator = train_datagen.flow_from_directory(
    # 训练集目录
    train_data_dir,
    # 图片重塑大小
    target_size=image_size,
    # 批处理张数
    batch_size=batch_size,
    # 分类模型 - 多分类
    class_mode='categorical',
)
# 应用数据增强模型，设定验证集数据，从文件目录读取图像
valid_generator = test_datagen.flow_from_directory(
    # 验证集目录
    valid_data_dir,
    # 重塑图像大小
    target_size=image_size,
    # 批处理数
    batch_size=batch_size,
    # 设定分类模型
    class_mode='categorical',
)

# 搭建CNN模型
model = tf.keras.models.Sequential([
    # 卷积层，32个filter，卷积核大小为3x3，激活函数为relu，输入形状为(128, 128, 3)，长x宽x3通道(RGB)
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)),
    # 最大池化层 提取主要特征，减少计算量
    tf.keras.layers.MaxPooling2D(2, 2),
    
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    # 卷积层，64个filter，卷积核大小3x3，激活函数为relu
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    # 最大池化层 提取主要特征，减少计算量
    tf.keras.layers.BatchNormalization(),
    # 卷积层，128个filter，卷积核大小为3x3，激活函数为relu
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.BatchNormalization(),
    tf.keras.layers.MaxPooling2D(2, 2),
    # 将多维输入数据展平为一维向量，以便连接到全连接层
    tf.keras.layers.Flatten(),
    # 全连接层，512维，激活函数为relu
    tf.keras.layers.Dense(512, activation='relu'),
    # dropout 30%的数据 避免过拟合
    tf.keras.layers.Dropout(0.3),
    # 全连接层，输出，17个维度对应17种花，激活函数为softmax，用于多分类
    tf.keras.layers.Dense(17, activation='softmax')
])

# 设定优化器 Adam 初始学习率为0。001
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
# 编译模型，优化器选择Adam，损失函数为交叉熵损失函数，适用于多类别分类问题，准确率作为评估模型性能的指标
model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])
# 打印出模型的摘要信息，包括每一层的名称、输出形状和参数数量等
model.summary()


# 训练模型
# 检查点，根据验证准确率，每个epoch判断要不要保存最好的模型  保存整个模型
checkpoint = ModelCheckpoint("model", monitor='val_accuracy', verbose=1,save_best_only=True, save_weights_only=False, mode='auto', save_freq='epoch')
# 早退，当设定的n个epoch发生，验证准确率都没有发生提升，就退出
early = EarlyStopping(monitor='val_accuracy', min_delta=0, patience=50, verbose=1, mode='auto')
# 减少学习率 检测val_loss 如果5个epoch没有发生更好的变化，就变为原来的二分之一，避免过拟合
reduce_lr = ReduceLROnPlateau(monitor='val_loss', patience=5, mode='auto',factor=0.5)
# 模型训练，结果保存到history
history = model.fit(
    # 训练数据放进来
    train_generator,
    # 计算每个epoch的数量（总长度 除以 批处理大小）
    steps_per_epoch=train_generator.samples // batch_size,
    # 要跑的轮数
    epochs=1000,
    # 批处理大小
    batch_size=batch_size,
    validation_data=valid_generator,
    validation_steps=valid_generator.samples // batch_size,
    # 回调函数，用于监测和调整超参数
    callbacks=[reduce_lr,checkpoint,early]
)
# 保存模型
model.save('flower17_cnn.h5')
model.save('flower17_cnn')
# 用全部测试数据评估模型
test_loss, test_acc = model.evaluate(valid_generator, verbose=2)
print('\nTest accuracy:', test_acc)

# 绘制训练和测试损失
plt.plot(history.history['loss'], label='train_loss')
plt.plot(history.history['val_loss'], label='valid_loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()

# 绘制训练和测试准确率
plt.plot(history.history['accuracy'], label='train_acc')
plt.plot(history.history['val_accuracy'], label='valid_acc')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

# flower102_resnet18
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
import sys
import datetime
from keras.callbacks import ReduceLROnPlateau, EarlyStopping, ModelCheckpoint
# 打印环境版本信息 作者信息
print("@Author karrysmile")
print("@Date "+datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
print("Python version:"+sys.version)
print("TensorFlow version:", tf.__version__)

# 设置GPU设备
physical_devices = tf.config.list_physical_devices('GPU')
if physical_devices:
    tf.config.experimental.set_memory_growth(physical_devices[0], True)

# 数据准备和增强
train_data_dir = 'flower_data/train'
valid_data_dir = 'flower_data/valid'
batch_size = 32
image_size = (128, 128)

train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=30,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    brightness_range=[0.8, 1.2],  # 亮度范围
)

valid_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=image_size,
    batch_size=batch_size,
    class_mode='categorical',
)

valid_generator = valid_datagen.flow_from_directory(
    valid_data_dir,
    target_size=image_size,
    batch_size=batch_size,
    class_mode='categorical',
)

def ConvLayer(x,filters,kernel_size,stride):
    x = tf.keras.layers.Conv2D(filters=filters, kernel_size=kernel_size, strides=stride,padding='same')(x)
    x = tf.keras.layers.BatchNormalization(epsilon=1e-5,momentum=0.1)(x)
    return x

def ResNetBlock(input,filters,kernel_size,strides):
    x = ConvLayer(input,filters,kernel_size,strides)
    x = tf.keras.layers.Activation('relu')(x)
    x = ConvLayer(x,filters,kernel_size,(1,1))

    if strides != (1,1):
        residual = ConvLayer(input,filters,(1,1),strides)
    else:
        residual = input

    x = x+residual
    x = tf.keras.layers.Activation('relu')(x)
    return x

def ResNet(input_size):
    # head
    x = ConvLayer(input_size,64,(7,7),(2,2))
    x = tf.keras.layers.Activation('relu')(x)
    x = tf.keras.layers.MaxPooling2D(3,strides=2,padding='same')(x)
    # layer1-------------------
    x = ResNetBlock(x,64,(3,3),(1,1))
    x = ResNetBlock(x,64,(3,3),(1,1))
    # layer2-------------------
    x = ResNetBlock(x,128,(3,3),(2,2))
    x = ResNetBlock(x,128,(3,3),(1,1))
    # layer3-------------------
    x = ResNetBlock(x,256,(3,3),(2,2))
    x = ResNetBlock(x,256,(3,3),(1,1))
    # layer4-------------------
    x = ResNetBlock(x,512,(3,3),(2,2))
    x = ResNetBlock(x,512,(3,3),(1,1))
    # tail
    x = tf.keras.layers.AvgPool2D(1)(x)
    x = tf.keras.layers.Flatten()(x)
    x = tf.keras.layers.Dense(512, activation='relu')(x)
    output = tf.keras.layers.Dense(102, activation='softmax')(x)
    return output

inputs = tf.keras.Input((128,128,3))
outputs = ResNet(inputs)
model = tf.keras.Model(inputs,outputs)

optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])
model.summary()
# 训练模型
checkpoint = ModelCheckpoint("model", monitor='val_accuracy', verbose=1,save_best_only=True, save_weights_only=False, mode='auto', save_freq='epoch')
early = EarlyStopping(monitor='val_accuracy', min_delta=0, patience=10, verbose=1, mode='auto')
reduce_lr = ReduceLROnPlateau(monitor='val_loss', patience=3, mode='auto',factor=0.2)
history = model.fit(
    train_generator,
    steps_per_epoch=train_generator.samples // batch_size,
    epochs=50,
    batch_size=batch_size,
    validation_data=valid_generator,
    validation_steps=valid_generator.samples // batch_size,
    callbacks=[reduce_lr,checkpoint,early]
)

# 保存为h5文件
model.save('flower102_resnet.h5')
# 保存为文件夹形式，可以注释掉
model.save('flower102_resnet')

test_loss, test_acc = model.evaluate(valid_generator, verbose=2)
print('\nTest accuracy:', test_acc)

# 绘制训练和测试损失
plt.plot(history.history['loss'], label='train_loss')
plt.plot(history.history['val_loss'], label='valid_loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()

# 绘制训练和测试准确率
plt.plot(history.history['accuracy'], label='train_acc')
plt.plot(history.history['val_accuracy'], label='valid_acc')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

运行结果

flower17_cnn

flower102_resnet18

随机加载一张图片来验证

在根目录下放置一张test.jpg，加载这张图片并输出验证结果。

import keras.models
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.preprocessing import image

# 加载SavedModel格式的模型
loaded_model = keras.models.load_model('flower17_cnn')

# 进行预测等操作

# 读取测试图片
img_path = 'test.jpg'  # 测试图片的路径
img = image.load_img(img_path, target_size=(128, 128))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array /= 255.

# 进行预测
prediction = loaded_model.predict(img_array)
predicted_class_index = np.argmax(prediction)
class_labels = ['bluebell', 'buttercup', 'colts_foot', 'cowslip', 'crocus', 'daffodil', 'daisy', 'dandelion', 'fritillary', 'iris', 'lily_valley', 'pansy', 'snowdrop', 'sunflower', 'tigerlily', 'tulip', 'windflower']
predicted_class = class_labels[predicted_class_index]

print("当前图片预测的类型是：--->>>", predicted_class)

# 显示预测结果
plt.imshow(img)
plt.title('Predicted: {}'.format(predicted_class))
plt.axis('off')
plt.show()

运行结果

总结

真的需要算力，不然很多时间都留在等待上面，但又恰恰因为等待，可以有更深的思考（所以需要一定时间的等待，但不能过长）
不要随意更新或者卸载依赖包，会容易影响整个环境的包之间的版本不匹配
越深层的网络，需要考虑的东西越多，如果不考虑，仅仅是堆深度，可能根本学不到东西，甚至比原来更差。
图片进行垂直翻转，会出现验证率下降的问题。待验证和解决。
最好是自动监控与停止，多参考别人的代码。

参考文章

ResNet18详细原理（含tensorflow版源码）_resnet18网络结构-CSDN博客

（四）pytorch图像识别实战之用resnet18实现花朵分类(代码+详细注解)_pytorch中调用resnet18进行分类-CSDN博客

TensorFlow指定GPU使用及监控GPU占用情况_taskflow gpu-CSDN博客

Gitee仓库

包含两种模型（cnn，resnet）在三个数据集（flower5,17,102）上的六个实现，用ipynb存储。

resnet附上了其他作者的迁移预训练结果的代码。文件名包含example的代码不是本人写的。

https://gitee.com/karrysmile/flowers.git

有用请点个star，按赞收藏关注。