基于Tensorflow搭建卷积神经网络CNN(服装分类)保姆及级教程 |
您所在的位置:网站首页 › 服装数据分析网络课程有哪些类型 › 基于Tensorflow搭建卷积神经网络CNN(服装分类)保姆及级教程 |
项目介绍
TensorFlow2.X 搭建卷积神经网络(CNN),实现服装的分类识别。搭建的卷积神经网络是类似VGG的结构(卷积层与池化层反复堆叠,然后经过全连接层,最后用softmax映射为每个类别的概率,概率最大的即为识别结果)。 其他项目水果蔬菜识别:基于卷积神经网络的水果识别项目 交通标志识别:基于卷积神经网络的交通标志识别项目 人脸识别:基于卷积神经网络的人脸识别项目 网络结构: 开发环境: python==3.7tensorflow==2.3 安装conda和pycharm若已经安装好了请忽略。 在评论区获取:安装包的分享链接,包含Pycharm、Anaconda、Miniconda、TeamViewer(远程协助)、FormatFactory(格式工厂)。 安装aconda 可以自行选择Anaconda或者Miniconda两者安装方法和法是完全一样的。但是强烈建议选择Miniconda,因为它比较“轻”,占用内存极小,并且安装时间相对Anaconda耗时极短! 直接下一步,到了这个页面全部勾选,否则不会添加添加环境变量。 安装Pycharm 直接下一步,到了这个页面全部勾选。 数据集: 图片类别: ‘daisy’:‘雏菊’, ‘dandelion’:‘蒲公英’, ‘rose’:‘玫瑰’, ‘sunflower’:‘太阳花’, ‘tulip’:‘郁金香’ 拿到项目后,解压文件,解压后如下图所示: 各个文件及代码介绍: 输入cmd回车后,会打开一个命令终端,下面我们开始创建虚拟环境: 输入命令回车后,出现下面提示,继续回车: 然后回车后,我们就创建了一个环境名称为“tf23_py37”的虚拟环境,它的python版本为3.7,如下图所示: 复制这条命令,输入命令行,激活我们创建的虚拟环境: conda activate tf23_py37下面开始安装项目用到的第三方依赖库,比如tensorflow、matplotlib、pyqt5等。本次用到的依赖库全部记录在了requirements.txt文件中。下面开始安装: 在命令终端中输入以下命令。 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple注意:上面这条安装第三方依赖库的命令 “-i” 后面接的是国内的镜像源地址。如果安装失败提示我们指定的镜像源中没有对应的第三方库依赖的版本,可以考虑选择其他的镜像源。 国内常用镜像源地址 清华:https://pypi.tuna.tsinghua.edu.cn/simple 阿里云:https://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 华中理工大学:http://pypi.hustunique.com/ 山东理工大学:http://pypi.sdutlinux.org/ 豆瓣:http://pypi.douban.com/simple/安装成功后,如下如所示: 如果出现下面提示: 如果出现下面提示: 打开朋友charm后,在pycharm的右下角点击解释器选择,选择”Add Interpreter“选择添加解释器。 按照图片的提示操作即可,添加我们需要的“python解释器”,pycharm右下角显示如下图所示即为成功: 打开项目“train_cnn.py”这个代码,根据图片中提示操作:
在训练成功后,在models文件夹中会生成"cnn_fv.h5"文件。
在训练模型完毕后,我们开始测试模型(评估模型的性能),打开“test_model.py”
运行成功后会在results文件夹下生成“heatmap_cnn.png”热力图(可以看到每个类别预测准确率的情况),如下所示: 在经过训练和测试之后,我们得到了一个可以用来做交通标志识别的神经网络权重,下面开始预测需要识别的交通标志图片。打开"windows.py"这个代码,直接点击运行,结果如下所示: 运行成功后得到一个pyqt5的GUI界面,然后我们就可以通过这个GUI操作去预测我们项目预测的水果图片啦! Flask网页端展示打开"app.py"这个代码,直接点击运行,结果如下所示:
|
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |