基于keras框架的LeNet/AlexNet/Vgg16深度学习神经网络花卉/花朵分类识别系统源码

AI街潜水的八角2026-01-18 10:16

第一步：准备数据

五种花卉数据："雏菊"、"蒲公英"、"玫瑰"、"向日葵"、"郁金香"，总共有2671张图片

将数据以A_B.jpg的格式进行标定，A为花朵名字，B为相应花类别的第几张

第二步：搭建模型

本文选择LeNet/AlexNet/Vgg16常用分类网络作为对比：

由于是五分类问题，直接套用网络肯定是不行，因此会在全连接部分做手脚，参考代码如下：

python 复制代码

    x = base_model.output
    x = GlobalAveragePooling2D()(x)
    x = Dense(256)(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = Dense(64)(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = Dense(5)(x)
    predictions = Activation('softmax')(x)

第三步：训练代码

1）损失函数为：交叉熵损失函数

2）LeNet和AlexNet从头训练都比较好收敛，但vgg16网络从头训练很难收敛，因此我们阔以对vgg16网络进行迁移训练微调：

python 复制代码

    w = 1
    if w:
        base_model = VGG16(weights='imagenet', include_top=False, input_shape=(width, height, 3))
    else:
        base_model = VGG16(weights=None, include_top=False, input_shape=(width, height, 3))
    for layer in base_model.layers:
        layer.trainable = False

第四步：统计正确率

|---------|-------|-------|
| 名称 | 训练正确率 | 验证正确率 |
| LeNet | 75.5% | 82% |
| AlexNet | 86% | 86.3% |
| vgg16 | 99.3% | 89.1% |

毫无疑问，vgg16胜利

第五步：搭建GUI界面

第六步：整个工程的内容

有训练代码和训练好的模型以及训练过程，提供数据，提供GUI界面代码，主要使用方法可以参考里面的"文档说明_必看.docx"

项目完整文件下载请见演示与介绍视频的简介处给出：➷➷➷

https://www.bilibili.com/video/BV1pMUYY4EuQ/