深度学习卷积神经网络中药材中草药分类识别含训练代码（Alexnet，GoogLeNet，Resnet，DenseNet，MobileNet，EfficientNet，Shufflent） |
您所在的位置：网站首页 › 500种草药名称及图片 › 深度学习卷积神经网络中药材中草药分类识别含训练代码（Alexnet，GoogLeNet，Resnet，DenseNet，MobileNet，EfficientNet，Shufflent） |
深度学习卷积神经网络中药材中草药分类识别含训练代码（Alexnet，GoogLeNet，Resnet，DenseNet，MobileNet，EfficientNet，Shufflent）
|
Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)
目录 Pytorch实现中药材(中草药)分类识别(含训练代码和数据集) 1. 前言 2. 中药材(中草药)数据集说明 （1）中药材(中草药)数据集：Chinese-Medicine-163 （2）自定义数据集 3. 中草药分类识别模型训练 （1）项目安装 （2）准备Train和Test数据 （3）配置文件: config.yaml （4）开始训练 （5）可视化训练过程 （6）一些优化建议 （7） 一些运行错误处理方法： 4. 中草药分类识别模型测试效果 5.项目源码下载 设计项目案例演示地址: 链接 毕业设计代做，，一对一指导项目方向涵盖： 基于Python，MATLAB设计，OpenCV,,CNN,机器学习,R-CNN,GCN,LSTM,SVM,BP神经网络，数字识别,贝叶斯,逻辑回 归,卷积神经网络等算法的中文文本分类.车牌识别,知识图谱,数字图像处理,手势识别,边缘检测，图像增强, 图像分类,图像分割，色彩增强，低照度。缺陷检测，病害识别，图像缺陷检测，裂缝识别， 交通标志识别,夜间车牌识别，人数统计，火焰烟雾火，车道线识别,人脸识别等系 1. 前言基于人工智能的中药材(中草药)识别方法，能够帮助我们快速认知中草药的名称，对中草药科普等研究方面具有重大的意义。本项目将采用深度学习的方法，搭建一个中药材(中草药)AI识别系统。 整套项目包含训练代码和测试代码，以及配套的中药材(中草药)数据集；基于该项目，你可以快速训练一个中草药分类识别模型。项目源码支持模型有resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型，用户可自定义进行训练；准确率还挺高的，采用resnet18模型的**中药材(中草药)**识别准确率也可以高达98.47%左右，满足业务性能需求。 模型input sizeTest准确率****mobilenet_v2224×22484.4500%googlenet224×22498.4200%resnet18224×22498.4700%
目前，已经收集了一个**中草药(中药材)数据集Chinese-Medicine-163，**共有收集了163种中草药(中药材)的图片数据，分为两个子集：训练集(Train)和测试集(Test)；其中训练集(Train)总数超过25万，平均每个种类约1575张图片，测试集(Test)总数1万，平均每个种类约61张图片，所有照片都已经按照其所属类别存放于各自的文件夹下，可直接用于深度学习分类模型训练。 （2）自定义数据集如果需要新增类别数据，或者需要自定数据集进行训练，可以如下进行处理： Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称，如
本项目以中草药(中药材)数据集Chinese-Medicine-163为训练样本， （1）项目安装整套工程基本框架结构如下： . ├── classifier # 训练模型相关工具 ├── configs # 训练配置文件 ├── data # 训练数据 ├── libs ├── demo.py # 模型推理demo ├── README.md # 项目工程说明文档 ├── requirements.txt # 项目相关依赖包 └── train.py # 训练文件项目依赖python包请参考requirements.txt，使用pip安装即可： numpy==1.16.3 matplotlib==3.1.0 Pillow==6.0.0 easydict==1.9 opencv-contrib-python==4.5.2.52 opencv-python==4.5.1.48 pandas==1.1.5 PyYAML==5.3.1 scikit-image==0.17.2 scikit-learn==0.24.0 scipy==1.5.4 seaborn==0.11.2 tensorboard==2.5.0 tensorboardX==2.1 torch==1.7.1+cu110 torchvision==0.8.2+cu110 tqdm==4.55.1 xmltodict==0.12.0 basetrainer pybaseutils==0.6.5 （2）准备Train和Test数据下载中药材(中草药)数据集：Chinese-Medicine-163，Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称。 数据增强方式主要采用：** 随机裁剪，随机翻转，随机旋转，颜色变换**等处理方式 import numbers import random import PIL.Image as Image import numpy as np from torchvision import transforms def image_transform(input_size, rgb_mean=[0.5, 0.5, 0.5], rgb_std=[0.5, 0.5, 0.5], trans_type="train"): """ 不推荐使用：RandomResizedCrop(input_size), # bug:目标容易被crop掉 :param input_size: [w,h] :param rgb_mean: :param rgb_std: :param trans_type: :return:: """ if trans_type == "train": transform = transforms.Compose([ transforms.Resize([int(128 * input_size[1] / 112), int(128 * input_size[0] / 112)]), transforms.RandomHorizontalFlip(), # 随机左右翻转 # transforms.RandomVerticalFlip(), # 随机上下翻转 transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.1), transforms.RandomRotation(degrees=5), transforms.RandomCrop([input_size[1], input_size[0]]), transforms.ToTensor(), transforms.Normalize(mean=rgb_mean, std=rgb_std), ]) elif trans_type == "val" or trans_type == "test": transform = transforms.Compose([ transforms.Resize([input_size[1], input_size[0]]), # transforms.CenterCrop([input_size[1], input_size[0]]), # transforms.Resize(input_size), transforms.ToTensor(), transforms.Normalize(mean=rgb_mean, std=rgb_std), ]) else: raise Exception("transform_type ERROR:{}".format(trans_type)) return transform``` 修改配置文件数据路径：config.yaml ```bash # 训练数据集，可支持多个数据集 train_data: - '/path/to/Chinese-Medicine-163/train' # 测试数据集 test_data: '/path/to/Chinese-Medicine-163/test' # 类别文件 class_name: '/path/to/Chinese-Medicine-163/class_names.txt' （3）配置文件: config.yaml 目前支持的backbone有：googlenet,resnet[18,34,50],inception_v3,mobilenet_v2等， 其他backbone可以自定义添加+ 训练参数可以通过(configs/config.yaml)配置文件进行设置配置文件config.yaml说明如下： train_data和test_data修改为自己的数据路径+ 注意数据路径分隔符使用【/】,不是【\】+ 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！ # 训练数据集，可支持多个数据集 train_data: - '/path/to/Chinese-Medicine-163/train' # 测试数据集 test_data: '/path/to/Chinese-Medicine-163/test' # 类别文件 class_name: '/path/to/Chinese-Medicine-163/class_name.txt' train_transform: "train" # 训练使用的数据增强方法 test_transform: "val" # 测试使用的数据增强方法 work_dir: "work_space/" # 保存输出模型的目录 net_type: "resnet18" # 骨干网络,支持：resnet18/50,mobilenet_v2,googlenet,inception_v3 width_mult: 1.0 input_size: [ 224,224 ] # 模型输入大小 rgb_mean: [ 0.5, 0.5, 0.5 ] # for normalize inputs to [-1, 1],Sequence of means for each channel. rgb_std: [ 0.5, 0.5, 0.5 ] # for normalize,Sequence of standard deviations for each channel. batch_size: 32 lr: 0.01 # 初始学习率 optim_type: "SGD" # 选择优化器，SGD,Adam loss_type: "CrossEntropyLoss" # 选择损失函数：支持CrossEntropyLoss,LabelSmoothing momentum: 0.9 # SGD momentum num_epochs: 100 # 训练循环次数 num_warn_up: 3 # warn-up次数 num_workers: 8 # 加载数据工作进程数 weight_decay: 0.0005 # weight_decay，默认5e-4 scheduler: "multi-step" # 学习率调整策略 milestones: [ 20,50,80 ] # 下调学习率方式 gpu_id: [ 0 ] # GPU ID log_freq: 50 # LOG打印频率 progress: True # 是否显示进度条 pretrained: False # 是否使用pretrained模型 finetune: False # 是否进行finetune （4）开始训练整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。 终端输入： python train.py -c configs/config.yaml （5）可视化训练过程训练过程可视化工具是使用Tensorboard，使用方法,在终端输入： # 基本方法 tensorboard --logdir=path/to/log/ # 例如 tensorboard --logdir=work_space/resnet18_1.0_CrossEntropyLoss_20230404151914/log```可视化效果
训练完成后，训练集的Accuracy在99.%以上，测试集的Accuracy在98.5%左右，下表给出已经训练好的三个模型，其中mobilenet_v2的准确率可以达到84.4500%，googlenet的准确率可以达到98.4200%，resnet18的准确率可以达到98.4700% 模型input sizeTest准确率****mobilenet_v2224×22484.4500%googlenet224×22498.4200%resnet18224×22498.4700% 如果想进一步提高准确率，可以尝试： 增加样本数据： 可以采集更多的样本数据，提高模型泛化能力+ 减少种类：中草药数据集共有163种类，可以剔除部分不常见的种类+ 数据清洗数据：中草药数据集，部分数据是通过网上爬取的，存在部分错误的图片，尽管鄙人已经清洗一部分了，但还是建议你，训练前，再次清洗数据集，不然会影响模型的识别的准确率。+ 使用不同backbone模型，比如resnet50或者更深的模型+ 增加数据增强： 已经支持：** 随机裁剪，随机翻转，随机旋转，颜色变换等数据增强方式，可以尝试诸如mixup，CutMix**等更复杂的数据增强方式+ 样本均衡： 建议进行样本均衡处理+ 调超参： 比如学习率调整策略，优化器（SGD,Adam等）+ 损失函数： 目前训练代码已经支持：交叉熵，LabelSmoothing，可以尝试FocalLoss等损失函数 （7） 一些运行错误处理方法： cannot import name ‘load_state_dict_from_url’由于一些版本升级，会导致部分接口函数不能使用，请确保版本对应 torch==1.7.1 torchvision==0.8.2 或者将对应python文件将 from torchvision.models.resnet import model_urls, load_state_dict_from_url修改为： from torch.hub import load_state_dict_from_url model_urls = { 'mobilenet_v2': 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth', 'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth', 'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth', 'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth', 'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth', 'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth', 'resnext50_32x4d': 'https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth', 'resnext101_32x8d': 'https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth', 'wide_resnet50_2': 'https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth', 'wide_resnet101_2': 'https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth', } 4. 中草药分类识别模型测试效果demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了 def get_parser(): # 配置文件 config_file = "data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/config.yaml" # 模型文件 model_file = "data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/model/best_model_116_98.4700.pth" # 待测试图片目录 image_dir = "data/test_images" parser = argparse.ArgumentParser(description="Inference Argument") parser.add_argument("-c", "--config_file", help="configs file", default=config_file, type=str) parser.add_argument("-m", "--model_file", help="model_file", default=model_file, type=str) parser.add_argument("--device", help="cuda device id", default="cuda:0", type=str) parser.add_argument("--image_dir", help="image file or directory", default=image_dir, type=str) return parser``` ```python #!/usr/bin/env bash # Usage: # python demo.py -c "path/to/config.yaml" -m "path/to/model.pth" --image_dir "path/to/image_dir" # 配置文件 config_file="data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/config.yaml" # 模型文件 model_file="data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/model/best_model_116_98.4700.pth" # 待测试图片目录 image_dir="data/test_images" python demo.py -c $config_file -m $model_file --image_dir $image_dirWindows系统，请将$config_file， m o d e l f i l e ， model_file ， modelfile，image_dir等变量代替为对应的变量值即可，如 # 配置文件 python demo.py -c data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/config.yaml -m data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/model/best_model_116_98.4700.pth --image_dir data/test_images运行测试结果：
pred_index:[‘人参’],pred_score:[0.9979814]
pred_index:[‘鳖甲’],pred_score:[0.99996114]
|
pred_index:[‘板蓝根’],pred_score:[0.99861455]
【本文地址】
今日新闻 |
推荐新闻 |