首页分享基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（二）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（二）

来源：萌宠菠菠乐园时间：2024-11-15 01:38

系列文章目录

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（一）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（三）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（四）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（五）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（六）

目录系列文章目录前言总体设计系统整体结构图系统流程图运行环境模块实现1. 数据预处理2. 数据增强其他相关博客工程源代码下载其它资料下载

在这里插入图片描述

前言

本项目以卷积神经网络（CNN）模型为基础，对收集到的猫咪图像数据进行训练。通过采用数据增强技术和结合残差网络的方法，旨在提高模型的性能，以实现对不同猫的种类进行准确识别。

首先，项目利用CNN模型，这是一种专门用于图像识别任务的深度学习模型。该模型通过多个卷积和池化层，能够有效地捕捉图像中的特征，为猫的种类识别提供强大的学习能力。

其次，通过对收集到的数据进行训练，本项目致力于建立一个能够准确辨识猫的种类的模型。包括各种猫的图像，以确保模型能够泛化到不同的种类和场景。

为了进一步提高模型性能，采用了数据增强技术。数据增强通过对训练集中的图像进行旋转、翻转、缩放等操作，生成更多的变体，有助于模型更好地适应不同的视角和条件。

同时，引入残差网络的思想，有助于解决深层网络训练中的梯度消失问题，提高模型的训练效果。这种结合方法使得模型更具鲁棒性和准确性。

最终，通过本项目，实现了对猫的种类进行精准识别的目标。这对于宠物领域、动物学研究等方面都具有实际应用的潜力，为相关领域提供了一种高效而可靠的工具。

总体设计

本部分包括系统整体结构图和系统流程图。

系统整体结构图

系统整体结构如图所示。

在这里插入图片描述

系统流程图

系统流程如图所示。

在这里插入图片描述

运行环境

本部分包括计算型云服务器、Python环境、TensorFlow环境和MySQL环境。

详见博客。

模块实现

本项目包括5个模块：数据预处理、数据增强、普通CNN模型、残差网络模型、模型生成。下面分别给出各模块的功能介绍及相关代码。

1. 数据预处理

打开浏览器，分别搜索布偶猫、孟买猫、暹罗猫和英国短毛猫的图片。用批量下载器下载图片，筛选出特征明显的图片作为数据集。使用的图片包含101张布偶猫、97张孟买猫、101张逼罗猫以及85张英国短毛猫，共计384张图片。（其中在工程代码中/cat_kind_model/cat_data_100与/cat_kind_model/cat_data_224也可下载）

对数据集进行预处理,包括修改图片名、调整格式及大小，将图片按比例划分为训练集和测试集。

import os #导入各种模块 from PIL import Image import argparse from tqdm import tqdm class PrepareData: #准备数据类 def __init__(self, options): #初始化 self.moudle_name = "prepare data" self.options = options self.src_images_dir = self.options.src_images_dir self.save_img_with = self.options.out_img_size[0] self.save_img_height = self.options.out_img_size[1] self.save_dir = self.options.save_dir #统一图片类型 def renameJPG(self, filePath, kind): #图片重命名 #filePath:图片文件的路径,kind: 图片的种类标签 images = os.listdir(filePath) for name in images: if (name.split('_')[0] in ['0', '1', '2', '3']): continue else: os.rename(filePath + name, filePath + kind + '_' + str(name).split('.')[0] + '.jpg') #调用图片处理 def handle_rename_covert(self): #重命名处理 save_dir = self.save_dir #调用统一图片类型 list_name = list(os.listdir(self.src_images_dir)) print(list_name) train_dir = os.path.join(save_dir, "train") test_dir = os.path.join(save_dir, "test") #1.如果已经有存储文件夹，执行则退出 if not os.path.exists(save_dir): os.mkdir(save_dir) os.mkdir(train_dir) os.mkdir(test_dir) list_source = [x for x in os.listdir(self.src_images_dir)] #2.获取所有图片总数 count_imgs = 0 for i in range(len(list_name)): count_imgs += len(os.listdir(os.path.join(self.src_images_dir, list_name[i]))) #3.开始遍历文件夹，并处理每张图片 for i in range(len(list_name)): count = 1 count_of_each_kind = len(os.listdir(os.path.join(self.src_images_dir, list_name[i]))) handle_name = os.path.join(self.src_images_dir, list_name[i] + '/') self.renameJPG(handle_name, str(i)) #调用统一图片格式 img_src_dir = os.path.join(self.src_images_dir, list_source[i]) for jpgfile in tqdm(os.listdir(handle_name)): img = Image.open(os.path.join(img_src_dir, jpgfile)) try: new_img = img.resize((self.save_img_with, self.save_img_height), Image.BILINEAR) if (count > int(count_of_each_kind * self.options.split_rate)): new_img.save(os.path.join(test_dir, os.path.basename(jpgfile))) else: new_img.save(os.path.join(train_dir, os.path.basename(jpgfile))) count += 1 except Exception as e: print(e) #参数设置 def main_args(): parser = argparse.ArgumentParser() parser.add_argument('--src_images_dir', type=str, default='../dataOrig/',help="训练集和测试集的源图片路径") parser.add_argument("--split_rate", type=int, default=0.9, help='将训练集二和测试集划分的比例，0.9表示训练集占90%') parser.add_argument('--out_img_size', type=tuple, default=(100, 100),help='保存图片的大小，如果使用简单网络结构参数大小为(100,100),如果使用resnet大小参数为(224,224)') parser.add_argument("--save_dir", type=str, default='../cat_data_100', help='训练数据的保存位置') options = parser.parse_args() return options if __name__ == "__main__": #获取参数对象 options = main_args() #获取类对象 pd_obj = PrepareData(options) pd_obj.handle_rename_covert()

12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273

2. 数据增强

所谓数据增强，是通过翻转、旋转、比例缩放、随机裁剪、移位、添加噪声等操作对现有数据集进行拓展。本项目中数据量较小，无法提取图片的深层特征，使用深层的残差网络时易造成模型过拟合。

from keras.preprocessing.image import ImageDataGenerator, img_to_array, load_img import argparse, os from PIL import Image from tqdm import tqdm #进度条模块 datagen = ImageDataGenerator( rotation_range=40, #整数，数据提升时图片随机转动的角度 width_shift_range=0.2,#浮点数，图片宽度的某个比例，数据提升时图片水平偏移的幅度 height_shift_range=0.2,#浮点数，图片高度的某个比例，数据提升时图片竖直偏移的幅度 rescale=1. / 255, #重放缩因子,默认为None shear_range=0.2, #浮点数，剪切强度（逆时针方向的剪切变换角度） zoom_range=0.2, #浮点数或形如[lower,upper]的列表，随机缩放的幅度 #若为浮点数，则相当于[lower,upper] = [1 - zoom_range, 1+zoom_range] horizontal_flip=True, #布尔值，进行随机水平翻转 vertical_flip=False, #布尔值，进行随机竖直翻转 fill_mode='nearest', #‘constant’,‘nearest’，‘reflect’或‘wrap’之一， #进行变换时超出边界的点将根据本参数给定的方法进行处理 cval=0, #浮点数或整数，当fill_mode=constant时，指定要向超出边界的点填充值 channel_shift_range=0, #随机通道转换的范围 ) def data_aug(img_path, save_to_dir, agu_num): img = load_img(img_path) #获取被扩充图片的文件名部分，作为扩充结果图片的前缀 save_prefix = os.path.basename(img_path).split('.')[0] x = img_to_array(img) x = x.reshape((1,) + x.shape) i = 0 for batch in datagen.flow(x, batch_size=1, save_to_dir=save_to_dir, save_prefix=save_prefix, save_format='jpg'): i += 1 #保存agu_num张数据增强图片 if i >= agu_num: break #读取文件夹下的图片，并进行数据增强，将结果保存到dataAug文件夹下 def handle_muti_aug(options): src_images_dir = options.src_images_dir save_dir = options.save_dir list_name = list(os.listdir(src_images_dir)) for name in list_name: if not os.path.exists(os.path.join(save_dir, name)): os.mkdir(os.path.join(save_dir, name)) for i in range(len(list_name)): handle_name = os.path.join(src_images_dir, list_name[i] + '/') #tqdm()为数据增强添加进度条 for jpgfile in tqdm(os.listdir(handle_name)): #将被扩充的图片保存到增强的文件夹下 Image.open(handle_name+jpgfile).save(save_dir+'/'+list_name[i]+'/'+jpgfile) #调用数据增强过程函数 data_aug(handle_name+jpgfile, os.path.join(options.save_dir, list_name[i]), options.agu_num) def main_args(): parser = argparse.ArgumentParser() parser.add_argument('--src_images_dir', type=str, default='../source_images/', help="需要被增强训练集的源图片路径") parser.add_argument("--agu_num", type=int, default=19, help='每张训练图片需要被增强的数量，这里设置为19，加上本身的1张，每张图片共计变成20张') parser.add_argument("--save_dir", type=str, default='../dataAug', help='增强数据的保存位置') options = parser.parse_args() return options if __name__ == "__main__": options = main_args() handle_muti_aug(options)

12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758

数据增强进度如图所示。

在这里插入图片描述

数据集拓展为原来的20倍，如图所示。

在这里插入图片描述

其他相关博客

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（一）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（三）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（四）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（五）

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（六）

工程源代码下载

详见本人博客资源下载页

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（二）

系列文章目录

前言