卷积神经网络训练花卉识别分类器

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

  后期会针对其中的一些内容发布一些更详细的文章

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：

编号	name	名称	数量
1	daisy	雏菊	633
2	dandelion	蒲公英	898
3	roses	玫瑰花	641
4	sunflowers	向日葵	699
5	tulips	郁金香	799
6	Nymphaea	睡莲	226
7	Tropaeolum_majus	旱金莲	196
8	Digitalis_purpurea	毛地黄	190
9	peach_blossom	桃花	55
10	Jasminum	茉莉花	60
11	Matthiola	紫罗兰	54
12	Rosa	月季	54
13	Rhododendron	杜鹃花	57
14	Dianthus	康乃馨	48
15	Cerasus	樱花	50
16	Narcissus	水仙花	52
17	Pharbitis	牵牛花	46
18	Gazania	勋章菊	108
19	Eschscholtzia	花菱草	82
20	Tithonia	肿柄菊	47

  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：

编号	name	名称	数量	增量后数量
1	daisy	雏菊	633	2496
2	dandelion	蒲公英	898	3588
3	roses	玫瑰花	641	2400
4	sunflowers	向日葵	699	2796
5	tulips	郁金香	799	3196
6	Nymphaea	睡莲	226	1808
7	Tropaeolum_majus	旱金莲	196	1568
8	Digitalis_purpurea	毛地黄	190	1360
9	peach_blossom	桃花	55	440
10	Jasminum	茉莉花	60	480
11	Matthiola	紫罗兰	54	432
12	Rosa	月季	54	432
13	Rhododendron	杜鹃花	57	456
14	Dianthus	康乃馨	48	384
15	Cerasus	樱花	50	400
16	Narcissus	水仙花	52	416
17	Pharbitis	牵牛花	46	368
18	Gazania	勋章菊	108	464
19	Eschscholtzia	花菱草	82	656
20	Tithonia	肿柄菊	47	376

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)

  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]

  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。

一个补充

如果你恰好有个云服务器，又想做一个web服务器的话，可以尝试flask框架（当然在本地也可以使用flask，不过这个就没有多大意义了）

按照flask文件夹中的程序，在服务器上运行之后，然后打开一个新网页，输入IP:端口?图片地址就可以做识别了。

其中sjcup.cn是我的一个域名，这里可以替换为自己服务器的公网IP

另外还有一个坑就是图片名称不可为中文名称，否则会检测不到

公网IP无法访问的问题可以根据博客做一些修改

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