卷积神经网络模型搭建(水果识别项目)

项目概述

把一堆苹果、香蕉的图片交给模型训练，让它判断这张图是苹果还是香蕉

说明: 环境要用到Anaconda 就是要安装下面的包，本博客只写了数据封装和模型搭建的代码。

数据集封装

import os
import cv2
import numpy as np# 数据集封装
def getFileList(dir, Filelist, ext=None):"""来源 csdn 钱彬 (Qian Bin)获取文件夹及其子文件夹中文件列表输入 dir：文件夹根目录输入 ext: 扩展名返回： 文件路径列表"""newDir = dirif os.path.isfile(dir):if ext is None:Filelist.append(dir)else:if ext in dir[-3:]:Filelist.append(dir)elif os.path.isdir(dir):for s in os.listdir(dir):newDir = os.path.join(dir, s)getFileList(newDir, Filelist, ext)return Filelistdef get_train_test_data(path):# 获取电脑里面的训练集样本，封装成数据data=[[], []]label=[[], []]for i in range(0,2):imglist = getFileList(path[i], [], "jpg")print('本次执行检索到 ' + str(len(imglist)) + ' 张训练图像')apple_list = [[], []]banana_list = [[], []]for imgpath in imglist:imgname = os.path.splitext(os.path.basename(imgpath))[0]img = cv2.imread(imgpath)# 把彩图转化成灰度图img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)img = cv2.resize(img,(28,28))# 添加到训练集if imgname[:5] == "apple":apple_list[i].append(img)else:banana_list[i].append(img)# 标签:苹果用0表示  香蕉用1表示apple_label = [0] * len(apple_list[i])banana_label = [1] * len(banana_list[i])data[i] = np.array(apple_list[i] + banana_list[i])label[i] = np.array(apple_label + banana_label)return data[0], label[0], data[1], label[1]if __name__ == '__main__':# 本次执行检索到 945 张训练图像# 本次执行检索到 351 张训练图像# dirlist = ["./fruit_data/Training", "./fruit_data/Test"]# x_train, y_train, x_test, y_test = get_train_test_data(dirlist)# print(x_train.shape)    # (945, 28, 28)# print(x_test.shape)     # (351, 28, 28)pass

模型搭建

from keras.utils import to_categorical
from keras.models import Sequential
from keras.layers import Dense, Conv2D, MaxPooling2D, Flatten
# 数据集 需要自己封装
import get_fruit_data2   # 创建卷积神经网络模型 训练数据集
def load_datasets():# 数据集返回的是 数据 和 标签# x_train,y_train = get_fruit_data.get_train_test_data("./fruit_data/Training")# x_test,y_test = get_fruit_data.get_train_test_data("./fruit_data/Test")dirlist = ["./fruit_data/Training", "./fruit_data/Test"]x_train, y_train, x_test, y_test = get_fruit_data2.get_train_test_data(dirlist)# 图像: 张 行 列 通道    astype 归一化x_train = x_train.reshape(x_train.shape[0], 28, 28, 1).astype('float') / 255x_test = x_test.reshape(x_test.shape[0], 28, 28, 1).astype('float') / 255# 对训练用标签进行one-hot编码y_train = to_categorical(y_train, num_classes=10)return x_train, x_test, y_train, y_testdef model_create():# 创建神经网络模型model = Sequential()# 添加卷积层: 卷积核个数，卷积核大小，输入维度，激活函数model.add(Conv2D(filters=32, kernel_size=(5,5), input_shape=(28,28,1), activation='relu'))# 添加池化层model.add(MaxPooling2D())model.add(Conv2D(filters=64, kernel_size=(5,5), activation='relu'))model.add(MaxPooling2D())# 一维化model.add(Flatten())model.add(Dense(units=1024, activation='relu'))model.add(Dense(units=512, activation='relu'))model.add(Dense(units=10, activation='softmax'))model.compile(optimizer='adam', loss='mse')return modeldef model_train(model, x_train, y_train):print("Train..................")model.fit(x_train, y_train, batch_size=20, epochs=2, verbose=1)def model_test(model, x_test, y_test):print("Test.................")y_test = to_categorical(y_test, num_classes=10)# 验证模型，得到损失值loss = model.evaluate(x_test, y_test, batch_size=20, verbose=1)print("test loss: ", loss)if __name__ == '__main__':# 加载数据集x_train, x_test, y_train, y_test = load_datasets()# 创建卷积神经网络model = model_create()# 训练model_train(model, x_train, y_train)# 验证model_test(model, x_test, y_test)# 预测y_pre = model.predict_classes(x_test)print("pre : ", y_pre)print("true: ", y_test)# 保存模型  .h5就是模型的后缀名model.save("./fruit_train_model.h5")

测试模型

import cv2
from keras.models import load_model# 测试模型
def test_fruit(fruit_path):# 获取本地图片img = cv2.imread(fruit_path)# 把彩图转化成灰度图img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)img = cv2.resize(img, (28, 28))# 把图片转化成训练集的shapeimg = img.reshape(1, 28, 28, 1)img = img.astype('float') / 255# 加载模型model = load_model("./fruit_train_model.h5")# 预测y_pre = model.predict_classes(img)# print("Pre: ", y_pre)return y_pre[0]if __name__ == '__main__':# 导入一张苹果的图片或者香蕉的图片# y_pre = test_fruit("./fruit_data/Test/apple_00018.jpg")# 0表示苹果  1表示香蕉# print(y_pre)pass

卷积神经网络模型搭建(水果识别项目)相关推荐

keras卷积处理rgb输入_CNN卷积神经网络模型搭建
前言前段时间尝试使用深度学习来识别评测过程中的图片,以减少人力成本.目前是在深度学习框架Keras(后端使用TensorFlow)下搭建了一个CNN卷积神经网络模型,下面就如何搭建一个最简单的数字图 ...
基于Tensorflow的卷积神经网络模型实现水果分类识别（实践案例）
前言写这篇博客的目的,就是记录下实现Fruit Dataset Image Classification Network的过程,所以从头开始写.这里感谢下会飞的小咸鱼提供了思路,文章内容主要翻译自K ...
PyTorch | （4）神经网络模型搭建和参数优化
PyTorch | (1)初识PyTorch PyTorch | (2)PyTorch 入门-张量 PyTorch | (3)Tensor及其基本操作 PyTorch | (4)神经网络模型搭建和参数 ...
采用keras深度学习框架搭建卷积神经网络模型实现垃圾分类，基于树莓派上进行实时视频流的垃圾识别源代码
一.项目概述简介:该垃圾分类项目主要在于对各种垃圾进行所属归类,本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类,最终移植在树莓派上进行实时视频流的垃圾识别. 前期:主要考虑PC端 ...
卷积神经网络模型解读及数学原理 ——翻拍图片识别
目录一.需求背景二.知识储备 1.深度学习 2.卷积神经网络 3.PyTorch框架 4.张量 5.梯度下降法三.模型解读 1.输入层 2.隐藏层 1)卷积层 2)激活函数 3)池化层 4)流向 ...
基于tensorflow的MNIST手写字识别（一）--白话卷积神经网络模型
一.卷积神经网络模型知识要点卷积卷积 1.卷积 2.池化 3.全连接 4.梯度下降法 5.softmax 本次就是用最简单的方法给大家讲解这些概念,因为具体的各种论文网上都有,连推导都有,所以本文主要 ...
Keras之CNN：基于Keras利用cv2建立训练存储卷积神经网络模型(2+1)并调用摄像头进行实时人脸识别
Keras之CNN:基于Keras利用cv2建立训练存储卷积神经网络模型(2+1)并调用摄像头进行实时人脸识别目录输出结果设计思路核心代码输出结果设计思路核心代码 # -*- codin ...
TensorFlow精进之路（三）：两层卷积神经网络模型将MNIST未识别对的图片筛选出来
1.概述自从开了专栏<TensorFlow精进之路>关于对TensorFlow的整理思路更加清晰.上两篇讲到Softmax回归模型和两层卷积神经网络模型训练MNIST,虽然使用神经网络能 ...
图神经网络（一）DGL框架搭建GCN图卷积神经网络模型
一.DGL DGL是基于pytorch开发的一个专门用于图神经网络模型搭建的框架,到现在为止,DGL已经高度封装了如GCN.GraphSage.GAT等常见的图神经网络模型,可以直接调用,比较方便,当 ...

卷积神经网络模型搭建(水果识别项目)

项目概述

数据集封装

模型搭建

测试模型

卷积神经网络模型搭建(水果识别项目)相关推荐

最新文章

热门文章