更多图像分类、图像识别、目标检测、图像分割，图像检索等项目可从主页查看
功能演示(要看shi pin下面的简介)：
（一）简介
基于卷积神经网络的香蕉成熟度识别系统是在pytorch框架下实现的，项目中有3个模型，resnet50，vgg16，resnet34，3个模型都在项目中，随便用一个模型即可，也可以3个都使用，做模型对比，增加工作量。
该系统涉及的技术：python + pyside6 + opencv + flask；其中，GUI界面：python + pyside6，Web前端界面：python flask + vue + css等，两个界面的功能相同，随便用一个就行。
该项目是可在pycharm和anaconda搭建的虚拟环境 或者 vscode和anaconda搭建的虚拟环境中运行，
pycharm和anaconda安装和配置可观看教程：
超详细的pycharm+anaconda搭建python虚拟环境_pycharm配置anaconda虚拟环境-CSDN博客
vscode和anaconda安装和配置可观看教程：
超详细的vscode+anaconda搭建python虚拟环境_vscode anaconda-CSDN博客
（二）项目介绍
1. 项目结构
2. 数据集
部分数据展示：
3.GUI界面初始界面
4.GUI预测界面
5. Web端初始界面
6.Web端预测界面
7. 核心代码
python
class MainProcess:
def __init__(self, train_path, test_path, model_name):
self.train_path = train_path
self.test_path = test_path
self.model_name = model_name
self.device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
def main(self, epochs):
# 记录训练过程
log_file_name = './results/vgg16训练和验证过程.txt'
# 记录正常的 print 信息
sys.stdout = Logger(log_file_name)
print("using {} device.".format(self.device))
# 开始训练，记录开始时间
begin_time = time()
# 加载数据
train_loader, validate_loader, class_names, train_num, val_num = self.data_load()
print("class_names: ", class_names)
train_steps = len(train_loader)
val_steps = len(validate_loader)
# 加载模型
model = self.model_load() # 创建模型
# 网络结构可视化
x = torch.randn(16, 3, 224, 224) # 随机生成一个输入
model_visual_path = 'results/vgg16_visual.onnx' # 模型结构保存路径
torch.onnx.export(model, x, model_visual_path) # 将 pytorch 模型以 onnx 格式导出并保存
# netron.start(model_visual_path) # 浏览器会自动打开网络结构
# load pretrain weights
# download url: https://download.pytorch.org/models/vgg16-397923af.pth
model_weight_path = "models/vgg16-pre.pth"
assert os.path.exists(model_weight_path), "file {} does not exist.".format(model_weight_path)
model.load_state_dict(torch.load(model_weight_path, map_location='cpu'))
# 更改Vgg16模型的最后一层
model.classifier[-1] = nn.Linear(4096, len(class_names), bias=True)
# 将模型放入GPU中
model.to(self.device)
# 定义损失函数
loss_function = nn.CrossEntropyLoss()
# 定义优化器
params = [p for p in model.parameters() if p.requires_grad]
optimizer = optim.Adam(params=params, lr=0.0001)
train_loss_history, train_acc_history = [], []
test_loss_history, test_acc_history = [], []
best_acc = 0.0
for epoch in range(0, epochs):
# 下面是模型训练
model.train()
running_loss = 0.0
train_acc = 0.0
train_bar = tqdm(train_loader, file=sys.stdout)
# 进来一个batch的数据，计算一次梯度，更新一次网络
for step, data in enumerate(train_bar):
images, labels = data # 获取图像及对应的真实标签
optimizer.zero_grad() # 清空过往梯度
outputs = model(images.to(self.device)) # 得到预测的标签
train_loss = loss_function(outputs, labels.to(self.device)) # 计算损失
train_loss.backward() # 反向传播，计算当前梯度
optimizer.step() # 根据梯度更新网络参数
# print statistics
running_loss += train_loss.item()
predict_y = torch.max(outputs, dim=1)[1] # 每行最大值的索引
# torch.eq()进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False
train_acc += torch.eq(predict_y, labels.to(self.device)).sum().item()
train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1,
epochs,
train_loss)
# 下面是模型验证
model.eval() # 不启用 BatchNormalization 和 Dropout，保证BN和dropout不发生变化
val_acc = 0.0 # accumulate accurate number / epoch
testing_loss = 0.0
with torch.no_grad(): # 张量的计算过程中无需计算梯度
val_bar = tqdm(validate_loader, file=sys.stdout)
for val_data in val_bar:
val_images, val_labels = val_data
outputs = model(val_images.to(self.device))
val_loss = loss_function(outputs, val_labels.to(self.device)) # 计算损失
testing_loss += val_loss.item()
predict_y = torch.max(outputs, dim=1)[1] # 每行最大值的索引
# torch.eq()进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False
val_acc += torch.eq(predict_y, val_labels.to(self.device)).sum().item()
train_loss = running_loss / train_steps
train_accurate = train_acc / train_num
test_loss = testing_loss / val_steps
val_accurate = val_acc / val_num
train_loss_history.append(train_loss)
train_acc_history.append(train_accurate)
test_loss_history.append(test_loss)
test_acc_history.append(val_accurate)
print('[epoch %d] train_loss: %.3f val_accuracy: %.3f' %
(epoch + 1, train_loss, val_accurate))
if val_accurate > best_acc:
best_acc = val_accurate
torch.save(model.state_dict(), self.model_name)
# 记录结束时间
end_time = time()
run_time = end_time - begin_time
print('该循环程序运行时间：', run_time, "s")
# 绘制模型训练过程图
self.show_loss_acc(train_loss_history, train_acc_history,
test_loss_history, test_acc_history)
# 画热力图
self.heatmaps(model, validate_loader, class_names)该系统可以训练自己的数据集，训练过程也比较简单，只需指定自己数据集中训练集、验证集、测试集的路径，指定所用的模型和指定训练的轮数，然后运行项目中的train.py和test.py即可
训练和测试结束后可输出以下结果：
a. 训练过程的准确率曲线和损失曲线
b. 模型训练过程记录，模型每一轮训练的损失和精度数值记录
c. 模型结构
模型评估可输出：
a. 分类混淆矩阵
b. 准确率、精确率、召回率、F1值
其他的输出：
a. 模型特征图
b. 热力图
c. 模型参数量对比
（三）总结
以上即为整个项目的介绍，整个项目主要包括以下内容：完整的程序代码文件、训练好的模型、数据集、UI界面和各种模型指标图表等。
整个项目包含全部资料，一步到位，拿来就用，省心省力。
项目运行过程如出现问题，请及时沟通！