项目介绍
本项目围绕"猫、鸡、狗、马"四类常见动物识别场景，构建了一个前后端分离的智能识别系统。前端采用 Vue3 与 Element Plus 负责交互展示，后端基于 Flask 提供 RESTful API，利用 TensorFlow 加载训练好的 ResNet50 模型完成图片分类推理。系统支持用户注册登录、JWT 鉴权、图像上传识别、识别历史分页查询与删除，以及公告查看与后台管理等完整业务流程。用户上传图片后，后端会先进行格式与大小校验，再保存到本地 media 目录，随后调用模型进行推理，返回最高置信度类别与全部类别概率，并持久化存储到 SQLite 数据库。
选题背景与意义
随着深度学习技术快速发展，图像识别已从科研走向实际应用，在智慧农业、宠物管理、教育科普和移动端内容理解等方向具有广泛价值。传统人工识别方式存在效率低、主观性强、标准不统一等问题，尤其在高频重复判断任务中难以保证稳定性。基于此，设计并实现一个轻量化动物识别系统具有较强现实意义：一方面，系统将卷积神经网络能力封装为可直接调用的 Web 服务，使非算法背景用户也能通过网页完成识别操作，降低技术使用门槛；另一方面，项目完整覆盖"模型推理 + 后端接口 + 权限管理 + 数据留痕"的工程链路，有助于验证深度学习模型在真实业务流程中的可用性与可维护性。
关键技术栈：ResNet50
ResNet50 是一种经典深层卷积神经网络，核心思想是引入残差连接（Residual Connection），通过"恒等映射 + 残差学习"缓解深层网络训练中的梯度消失和网络退化问题。相比直接堆叠卷积层，ResNet50 能在保持较深网络表达能力的同时，提高训练稳定性与收敛效率。在本系统中，后端使用 TensorFlow 2.12 加载 resnet50_model.h5 模型，并将输入图像统一预处理为 224×224、三通道、归一化到 [0,1] 的张量，再执行前向推理得到四分类概率分布。系统根据最大概率输出最终类别，同时保留全部类别置信度用于前端展示与结果解释，提升识别透明度。工程上采用模型单例加载策略，避免每次请求重复加载模型造成延迟，增强接口响应性能。
技术架构图（Mermaid）
系统功能模块图（Mermaid Mindmap）
