介绍

  本部分是花卉分类器。

  花卉分类器使用语言：Python，使用深度学习框架：PyTorch，方法：训练卷积神经网络

  关于PyTorch的基本用法可以参考博客：PyTorch笔记

  Gitee仓库：花卉识别

  Github仓库：花卉识别

  Git相关用法可以参考博客：Git使用笔记

数据集

  目前选用了20种花卉数据用于分类

  仓库内data文件夹内存放了我使用的20种花卉数据集。日后会继续扩增。

  数据来源主要取决于3个方面：

• 5种花卉数据集，每类花卉包含600张到900张不等的图片
• 来源于Oxford 102 Flowers数据集，该数据集包含102类英国花卉数据，每个类别包含 40 到 258 张图像
• 最后一部分来源于百度图片，使用python程序批量采集花卉图像数据

  有些花卉的name是我自己写的，采用的是花卉的学名，通常是拉丁文。

  我选用的20种花卉数据如下所示：

  花卉样式：

数据扩展

  收集到的每种花卉数量不是很多，而像樱花、水仙花等都是每类50张左右，数据量过少，若直接拿去训练模型的话，正确率不会太高，且会发生严重的过拟合。

  目前使用的数据扩展方法分为三种：镜像翻转、上下翻转和椒盐噪声。

  镜像翻转：将图片左右翻转，生成新的数据

  上下翻转：将图片上下翻转，生成新的数据

  椒盐噪声：为图片增加噪声，生成新的数据

  扩展后的花卉数量如下所示：

数据切分

  数据集准备好了，要切分为训练集、验证集和测试集。

  在PyTorch的torchvision包内有一个关于计算机视觉的数据读取类ImageFolder，它的调用方式是torchvision.datasets.ImageFolder，主要功能是读取图片数据，且要求图片是下图这种存放方式。

  然后这样来调用类：

train_dataset = ImageFolder(root='./data/train/',transform=data_transform)
复制代码

  root表示根目录，transform表示数据预处理方式。

  这种方式将train目录下的cat和dog文件夹内的所有图片作为训练集，而文件夹名cat和dog作为标签数据进行训练。

  因此我们就要像ImageFolder要求的那样切分数据集。

  我切分的比例是3:1:1。实际上，如果不想切分出验证集的话，可以将验证集的代码部分注掉，直接使用训练集和测试集也是可以的。

#比例
scale = [0.6, 0.2, 0.2]
复制代码

  至此，数据部分准备完成了。

模型训练

  目前采用的是AlexNet和VGG16两种网络，其实两种网络比较相似，不同的是VGG16较于AlexNet更“深”

  AlexNet网络结构如下：

  VGG16网络结构如下：

  二者相比较，VGG16准确率更高一些，可见更深的网络对于提高准确率有一定的帮助。

  AlexNet训练过程中的准确率变化如下：

  VGG16经历200个epoch训练的准确率变化如下：

  AlexNet经历了500个epoch训练后最终能达到83%的准确率

  VGG16经历了200个epoch训练后最终能达到90%的正确率

  以上两个训练得出的模型参数我都放到了仓库内

模型验证

  除了验证测试集以外，还可以用图片去验证模型的训练效果。

  选用的是验证效果比较好的VGG16网络，读取的参数是200个epoch训练后的参数

  可以看到，测试的效果还是非常好的，模型可以非常准确的判断花卉的种类。

下一步计划

• 扩增数据集，可以识别更多类别的花卉
• 采用新的网络训练，如Inception V3