免费淘宝客网站模板,中信建设有限责任公司世界排名,网站建设电销话术开场白,wordpress获取自定义分类名1 介绍
本项目提供中草药数据集#xff0c;使用gpu、cpu版本的torch版本进行训练#xff0c;将模型部署到后端flask#xff0c;最后使用微信小程序进行展示出来。 数据爬虫可以参考#xff1a;http://t.csdnimg.cn/7Olus 项目中的爬虫代码#xff0c;并且本项目提供相同的…1 介绍
本项目提供中草药数据集使用gpu、cpu版本的torch版本进行训练将模型部署到后端flask最后使用微信小程序进行展示出来。 数据爬虫可以参考http://t.csdnimg.cn/7Olus 项目中的爬虫代码并且本项目提供相同的爬虫代码。
2 数据处理随机打乱训练集和测试集
因为我们的原始图片是在一个文件夹下需要划分训练集和 测试集这步也可以手工操作总之我们要将目录结构变为
if os.path.isdir(category_path):# 获取该种类下的所有图片文件image_files [f for f in os.listdir(category_path) if f.endswith(.jpg)]# 随机打乱图片顺序random.shuffle(image_files)# 计算切割点split_point int(len(image_files) * split_ratio)# 将图片分配给训练集train_images image_files[:split_point]for image in train_images:src os.path.join(category_path, image)dst os.path.join(train_folder, category_folder, image)os.makedirs(os.path.dirname(dst), exist_okTrue)shutil.move(src, dst)3 模型训练和验证
from torchvision import transforms as T # 导入torchvision库中的transforms模块并将其重命名为T。
from torchvision.datasets import ImageFolder # 从torchvision.datasets模块中导入ImageFolder类用于加载图像数据集。
from torch.utils.data.dataloader import DataLoader # 从torch.utils.data.dataloader模块中导入DataLoader类用于创建数据加载器。
import torch # 导入PyTorch库。
from PIL import ImageFile
from sklearn.metrics import classification_report, accuracy_score
import warnings # 导入warnings库用于忽略警告信息。
warnings.filterwarnings(ignore)# 检查cpu是否可用将结果存储在变量device中
device torch.device(cuda:0 if torch.cuda.is_available() else cpu)
print(device)# 数据预处理归一化
transform T.Compose([T.Resize(256),T.CenterCrop(224),T.ToTensor(),T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]),
])# 导入训练集和测试机并且同时对图片进行预处理
train ImageFolder(data/train, transformtransform) # 从指定路径加载训练集并应用之前定义的数据预处理管道。
test ImageFolder(data/val, transformtransform) # 从指定路径加载测试集并应用之前定义的数据预处理管道。
print(Size of raw dataset :, len(train)) # 打印训练集的大小。
print(Size of test dataset :, len(test)) # 打印测试集的大小。from torchvision import modelsmodel models.resnet50(pretrainedTrue) # 导入resnet50网络# 修改最后一层最后一层的神经元数目类别数目所以设置为100个
model.fc torch.nn.Linear(in_features2048, out_features5)最后的结果展示
4 模型部署到flask端
无论我们训练使用的是gpu还是cpu我们在部署时都尽可能的转换为cpu端引入图片输入是cpu端
def prepare_image(image):transform T.Compose([T.Resize(256),T.CenterCrop(224),T.ToTensor(),T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]),])# 对图像进行预处理input_tensor transform(image)input_batch input_tensor.unsqueeze(0) # 添加批次维度return input_batch预测的核心代码块主要是传入字节文件转换为图片然后预测最后获取结果并将结果保存在data中
img_bytes flask.request.form.get(picture) # 获取值image base64.b64decode(img_bytes)# 编码转换image Image.open(io.BytesIO(image))input_batch prepare_image(image) # 预处理图像output model(input_batch) # 预测output torch.softmax(output, dim-1) # 得到预测值score, predicted_idx torch.max(output, 1) # 得分和标签score score.detach().numpy()[0]predicted_idx predicted_idx.detach().numpy()[0]label_name idx2class[predicted_idx]# 写入到字典中label_info idx2info[predicted_idx]data {class_name: label_name, prob: float(score),info:label_info}5 微信小程序
详细参考http://t.csdnimg.cn/7Olus中微信小程序页面本项目包含微信小程序可以放心使用。 详细咨询完整代码https://docs.qq.com/doc/DWEtRempVZ1NSZHdQ
