基于深度学习的常见动物情绪分类模型

采用YOLOv5算法

 实验记录和项目复盘

 1. 项目背景
   在宠物情绪识别领域，利用深度学习技术进行分类是一个热门且具有实际意义的应用场景。基于此，我选择了YOLOv5进行分类模型的训练，用于识别猫、狗、鼠的不同情绪类型。通过自定义数据集，结合YOLOv5强大的分类功能，开发了一个轻量化的情绪分类模型。

2. 数据准备
   数据收集：从多个来源（包括网络数据集和个人图片库）收集了猫、狗、鼠的情绪分类数据，包含不同的情绪标签，如“快乐”、“悲伤”、“惊讶”等。
   数据预处理：为了确保模型的有效性，我对数据进行了归一化处理，调整了图片的尺寸（224x224），并进行了数据增强（如翻转、裁剪等）来增加数据多样性。
   数据标注：每张图片根据情绪进行了准确标注，确保模型在训练时能充分学习到不同类别的特征。

3. 模型训练
   模型选择：选择了YOLOv5的分类模型架构（v5.7.0版本），因其较好的性能和可移植性，适合在多种硬件设备上部署。分类模型虽然不如检测模型知名，但对于情绪分类效果非常好。
     -超参数调整**：针对分类任务，我调整了部分超参数：
     - batch_size: 32
     - learning_rate: 0.001
     - epochs: 100
     - 分类类别数：猫、狗、鼠三种不同情绪，共计9个类别。
   **训练环境**：在GPU加速环境下进行训练，使用PyTorch框架加速模型迭代。
   **模型性能**：经过10