手把手教你：基于深度残差网络（ResNet）的水果分类识别系统

系列文章

手把手教你：图像识别的垃圾分类系统

手把手教你：人脸识别考勤系统

手把手教你：基于粒子群优化算法（PSO）优化卷积神经网络（CNN）的文本分类

---

---

一、项目简介

本文主要介绍如何使用python搭建：一个基于深度残差网络（ResNet）的水果图像分类识别系统。

项目只是用水果分类作为抛砖引玉，其中包含了使用ResNet进行图像分类的相关代码。主要功能如下：

• 数据预处理，生成用于输入TensorFlow模型的TFRecord的数据。
• 模型构建及训练，使用tensorflow.keras构建深度残差网络。
• 预测水果分类并进行模型评估。

如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。

博主也参考过网上图像分类的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个预测系统即可。

本文只会告诉你如何快速搭建一个基于ResNet的图像分类系统并运行，原理的东西可以参考其他博主。

也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。

如果您有以上想法，那就找对地方了！

---

不多废话，直接进入正题！

二、水果分类结果预测

首先我们来看下模型最终预测的水果类别的情况。本项目采用的数据集共有13种水果：香蕉、樱桃、无花果、芒果等等。博主英语不好就不在这献丑了，感兴趣的同学可以百度翻译

---

• 接下来是模型预测的结果，这里我输入了2个单张图片，来验证模型的分类结果：
  
  
• 可以看到2张图片分别为：香蕉、桔柚，模型都准确预测并分类正确。

三、环境安装

1.环境要求

本项目开发IDE使用的是：Anaconda中的jupyter notebook，大家可以直接csdn搜索安装指南非常多，这里就不再赘述。

因为本项目基于TensorFlow因此需要以下环境：

• tensorflow >= 2.0
• pandas
• scikit-learn
• numpy
• OpenCV2
• matplotlib

2.环境安装示例

环境都可以通过pip进行安装。如果只是想要使用博主训练的模型直接进行预测，不需要对模型重新训练的话，这边建议tensorflow安装cpu版的。

如果没使用过jupyter notebook通过pip安装包的同学可以参考如下：

• 新建一个terminal窗口：

• 在新建的窗口中使用pip进行安装：

点开“终端”，然后通过pip进行安装pandas，其他环境包也可以通过上面的方法安装。

四、重要代码介绍

环境安装好后就可以打开jupyter notebook开始愉快的执行代码了。由于代码众多，博客中就不放入最终代码了，有需要的童鞋可以在博客最下方找到下载地址。

1.数据预处理

• 首先我们将需要处理的图像分为训练集、测试集。

• 其中按13类的水果分别建立文件夹放入对应水果图片：
  

• 这里拿芒果举例：
  

• 使用opencv2来读取图像生成：（100,100,3）的三通道图像数据。

# 定义图像处理函数
def read_img(path):
    print("数据集地址："+path)
    imgs = []
    labels = []
    for root, dirs, files in tqdm(os.walk(path)):
        for file in files:
            # print(path+'/'+file+'/'+folder)
            # 读取的图片
            img = cv2.imread(os.path.join(root, file))
            # 将读取的图片数据加载到imgs[]列表中
            imgs.append(img)
            # 将图片的label加载到labels[]中，与上方的imgs索引对应
            labels.append(str(os.path.basename(root)))
    return imgs,labels

• 并处理图像，和对类别进行LabelEncoder编码处理，处理后情况如下：
• 训练集共计：6560张图片，测试集共计：2207张图片。
  
• 然后将数据储存为TFRecord：
  

2.分类模型构建

• 使用TensorFlow搭建一个ResNet模型：

3.模型训练

• 模型训练，设置批处理batch_size：64，每2个epoch保存一次模型，博主总共跑了30个epoch。

from tensorflow.keras.callbacks import (
    ReduceLROnPlateau,
    EarlyStopping,
    ModelCheckpoint,
    TensorBoard)

# 编译模型来配置学习过程
ResNet_model.compile(optimizer=optimizer,loss='sparse_categorical_crossentropy',metrics=['accuracy'])
callbacks = [
#     ReduceLROnPlateau(verbose=1),
    # 提前结束解决过拟合
    # EarlyStopping(patience=10, verbose=1),
    # 保存模型
    ModelCheckpoint(checkpoints + 'resnet_train_{epoch}.tf', monitor='accuracy',verbose=0,
                    # 当设置为True时，将只保存在验证集上性能最好的模型
                    save_best_only=True, save_weights_only=True,
                    # CheckPoint之间的间隔的epoch数
                    period=2),
    TensorBoard(log_dir='logs')
]
# 模型训练
history = ResNet_model.fit(data_train, epochs = epoch,callbacks=callbacks,validation_data = data_test)

• 训练和测试集的准确率如下，可以看到训练至15个epoch左右已经能达到很高的准确率了。
  

五、训练自己的数据

1.项目目录如下

2.分类模型训练

• 需要将自己的数据集整理后放入以下项目目录中：

./img/train/

和

./img/test/

下目录设置，一个类别的图片放入一个文件夹中，如下：

然后按顺序执行下述代码：

a数据预处理.ipynb
b加载并训练模型.ipynb
c模型评估及预测.ipynb

即可开始分类模型训练

---

六、完整代码地址

由于项目代码量和数据集较大，感兴趣的同学可以下载完整代码，使用过程中如遇到任何问题可以在评论区进行评论，我都会一一解答。

完整代码下载：
【代码分享】手把手教你：基于深度残差网络（ResNet）的水果分类识别系统