图像分类之花卉图像分类（五）测试数据

这个时候测试集就要用到了，为了便于观察，我们这里先给测试集重命名，这样子，哪张图片分类错了，我们也比较好找。
重命名代码：

#!/usr/bin/python
# -*- coding:utf-8 -*-
import osouter_path = 'D:/flowers/test'
folderlist = os.listdir(outer_path)  # 列举文件夹for folder in folderlist:inner_path = os.path.join(outer_path, folder)total_num_folder = len(folderlist)  # 文件夹的总数print('total have %d folders' % (total_num_folder))filelist = os.listdir(inner_path)  # 列举图片i = 0for item in filelist:total_num_file = len(filelist)  # 单个文件夹内图片的总数if item.endswith('.jpg'):src = os.path.join(os.path.abspath(inner_path), item)  # 原图的地址dst = os.path.join(os.path.abspath(inner_path), str(folder) + '_' + str(i) + '.jpg')  # 新图的地址（这里可以把str(folder) + '_' + str(i) + '.jpg'改成你想改的名称）try:os.rename(src, dst)print'converting %s to %s ...' % (src, dst)i += 1except:continueprint'total %d to rename & converted %d jpgs' % (total_num_file, i)

随便打开测试集的，可以看到结果如下：

下面说下测试代码：
测试一整个文件夹的，这里的整个文件夹并不是指test文件夹，而是test文件夹下的五个子文件夹的任意一个，代码restall.py如下：

from PIL import Image
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import model
#from input_data import get_files
import input_data
import os
import warnings
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
warnings.filterwarnings('ignore')#自己改最后面的sunflowers改成别的
img_dir = 'D:/test/sunflowers/'# 测试图片
def evaluate_one_image(image_array):with tf.Graph().as_default():BATCH_SIZE = 1N_CLASSES = 5image = tf.cast(image_array, tf.float32)image = tf.image.per_image_standardization(image)image = tf.reshape(image, [1, 64, 64, 3])logit = model.inference(image, BATCH_SIZE, N_CLASSES,1,0)logit = tf.nn.softmax(logit)x = tf.placeholder(tf.float32, shape=[64, 64, 3])logs_train_dir = 'D:/biye/save/train'saver = tf.train.Saver()with tf.Session() as sess:ckpt = tf.train.get_checkpoint_state(logs_train_dir)if ckpt and ckpt.model_checkpoint_path:global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]saver.restore(sess, ckpt.model_checkpoint_path)else:print('No checkpoint file found')prediction = sess.run(logit, feed_dict={x: image_array})max_index = np.argmax(prediction)return max_index# ------------------------------------------------------------------------if __name__ == '__main__':roses=0tulips=0dandelion=0sunflowers=0daisy=0for name in os.listdir(img_dir):i=img_dir+nameimg = Image.open(i)imag = img.resize([64, 64])image = np.array(imag)if evaluate_one_image(image) == 0:print(i+'可能是玫瑰花')roses+=1elif evaluate_one_image(image) == 1:print (i+'可能是郁金香')tulips+=1elif evaluate_one_image(image) == 2:print(i+'可能是蒲公英')dandelion+=1elif evaluate_one_image(image) == 4:print(i+'有可能是雏菊')daisy+=1elif evaluate_one_image(image) == 3:print(i+'可能是向日葵')sunflowers+=1print('玫瑰花：%d 郁金香：%d' %(roses,tulips))print('蒲公英：%d 雏菊：%d 向日葵：%d' %(dandelion,daisy,sunflowers))

还有一个测试单张图片的testone.py

#!/bin/pythonimport wx
# from test import evaluate_one_image
from PIL import Image
import numpy as np
import tensorflow as tf
import model
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'def evaluate_one_image(image_array):with tf.Graph().as_default():BATCH_SIZE = 1N_CLASSES = 5image = tf.cast(image_array, tf.float32)image = tf.image.per_image_standardization(image)image = tf.reshape(image, [1, 64, 64, 3])logit = model.inference(image, BATCH_SIZE, N_CLASSES,1,0)logit = tf.nn.softmax(logit)x = tf.placeholder(tf.float32, shape=[64, 64, 3])logs_train_dir = 'D:/biye/save/train'saver = tf.train.Saver()with tf.Session() as sess:ckpt = tf.train.get_checkpoint_state(logs_train_dir)if ckpt and ckpt.model_checkpoint_path:global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]saver.restore(sess, ckpt.model_checkpoint_path)else:print('No checkpoint file found')prediction = sess.run(logit, feed_dict={x: image_array})max_index = np.argmax(prediction)return max_indexclass HelloFrame(wx.Frame):def __init__(self,*args,**kw):super(HelloFrame,self).__init__(*args,**kw)pnl = wx.Panel(self)self.pnl = pnlst = wx.StaticText(pnl, pos=(200, 0))font = st.GetFont()font.PointSize += 10font = font.Bold()st.SetFont(font)# 选择图像文件按钮btn = wx.Button(pnl, -1, "select")btn.Bind(wx.EVT_BUTTON, self.OnSelect)self.makeMenuBar()self.CreateStatusBar()def makeMenuBar(self):menuBar = wx.MenuBar()self.SetMenuBar(menuBar)def OnSelect(self, event):wildcard = "image source(*.jpg)|*.jpg|" \"Compile Python(*.pyc)|*.pyc|" \"All file(*.*)|*.*"dialog = wx.FileDialog(None, "Choose a file", os.getcwd(),"", wildcard, wx.ID_OPEN)if dialog.ShowModal() == wx.ID_OK:print(dialog.GetPath())img = Image.open(dialog.GetPath())imag = img.resize([64, 64])image = np.array(imag)print(evaluate_one_image(image))if evaluate_one_image(image) == 0:result = ('这可能是玫瑰花')elif evaluate_one_image(image) == 1:result = ('这可能是郁金香')elif evaluate_one_image(image) == 2:result = ('这可能是蒲公英')elif evaluate_one_image(image) == 4:result = ('这有可能是雏菊')elif evaluate_one_image(image) == 3:result = ('这可能是向日葵')# result =evaluate_one_image(image)result_text = wx.StaticText(self.pnl, label=result, pos=(320, 0))font = result_text.GetFont()font.PointSize += 8result_text.SetFont(font)self.initimage(name= dialog.GetPath())# 生成图片控件def initimage(self, name):imageShow = wx.Image(name, wx.BITMAP_TYPE_ANY)sb = wx.StaticBitmap(self.pnl, -1, imageShow.ConvertToBitmap(), pos=(0,30), size=(600,600))return sbif __name__ == '__main__':app = wx.App()frm = HelloFrame(None, title='基于卷积神经网络的花卉图像识别', size=(600,600))frm.Show()app.MainLoop()

所有的代码就都列出来了。原本github上的源代码准确率只有70左右，经过数据增强后（也就是训练集由2500张变成7500张后），准确率提高了很多，我的是到了80了。
源码的dropout的代码注释了，也就是没用到，我是用到了，还调了最合适的也就是0.45.这里要注意训练的时候是0.45.但是验证集和测试集上都是1.用了这个准确率到了85.左右了。
其实还可以再高的，如果你还想提升，可以考虑调参，加几层网络，毕竟我的网络结构太简单了。数据增强有很多方式，你也可以试试别的。

运行代码的顺序是先运行数据增强的代码----裁剪大小的代码（两次）------训练的代码----重命名代码（也可以不要）----测试代码

图像分类之花卉图像分类（五）测试数据相关推荐

图像分类之花卉图像分类（一）数据增强
网上有很多图像分类的代码,有很多是必须要在GPU上面才能跑的,因为我想在自己的电脑跑,所以很多都是不能用的,而且说实话很多对我这个小白来说,都很难看懂.所以我找了一个就是之间用CNN写的神经卷积模型用 ...
图像分类之花卉图像分类（四）训练模型
本来我想用tensorbaord来观察LOSS曲线变化的,但是我代码改得不对,如果有小伙伴改出来了,如果可以的话可以告诉我,我懒得改了.下面代码也是注意改成自己的路径 # 导入文件 import os ...
【实验课程】花卉图像分类实验
转载地址:https://bbs.huaweicloud.com/forum/thread-80033-1-1.html 作者:yangyaqin 实验介绍随着电子技术的迅速发展,人们使用便携数码设 ...
基于SIFT和颜色特征的花卉图像分类
基于SIFT特征和颜色直方图的花卉图像分类摘要课程实验提取图片的SIFT特征,通过k均值聚类的方法将所有训练图片的特征聚类为800类,以每个类出现的频率构建特征向量(又称为词袋模型),同时,通过 ...
【项目实战课】基于Pytorch的InceptionNet花卉图像分类实战
欢迎大家来到我们的项目实战课,本期内容是<基于Pytorch的InceptionNet花卉图像分类实战>.所谓项目课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题,进行 ...
深度学习之图像分类（二十五）-- S2MLPv2 网络详解
深度学习之图像分类(二十五)S2MLPv2 网络详解目录深度学习之图像分类(二十五)S2MLPv2 网络详解 1. 前言 2. S2MLPv2 2.1 S2MLPv2 Block 2.2 Spat ...
【图像分类】关于图像分类中类别不平衡那些事
欢迎大家来到图像分类专栏,类别不平衡时是很常见的问题,本文介绍了类别不平衡图像分类算法的发展现状,供大家参考学习. 作者&编辑 | 郭冰洋 1 简介小伙伴们在利用公共数据集动手搭建图像分类模 ...
花卉识别--五个类别的检测
花卉识别–五个类别的检测文章目录花卉识别--五个类别的检测一.数据集的观察与查看二.将数据集分为data_train(训练集)和data_test(测试集) 三.明确网络流程.建立网络结构四 ...
基于深度学习模型的花卉图像分类代码_华为不止有鸿蒙！教你快速入门华为免编程深度学习神器ModelArts...
引言: 本文介绍利用华为ModelArts进行深度学习的图像分类任务,不用一行代码. 今年8月9日,在华为史上规模最大的开发者大会上,华为正式发布全球首个基于微内核的全场景分布式OS--鸿蒙操作系统( ...

图像分类之花卉图像分类（五）测试数据

图像分类之花卉图像分类（五）测试数据相关推荐

最新文章

热门文章