【大学生实践项目】基于tensorflow2.3的林业有害生物分类系统

Love The Way You Lie 2024-04-28 07:44 6阅读 0赞

> ![16df0128c2fc4761be10983e3e8c7ec5.png][]
> 
> 大抵是不用进厂了罢。

--------------------

![837b11390fd2464cb748a84aef98ffc4.png][]

--------------------

**目录**

一、🌎Python简介

二、🌎TensorFlow简介

三、🌎效果演示

四、🌎数据集整理

划分训练集和测试集

五、🌎环境搭建

训练模型

六、⚙️获取代码

🥇Summary

获取源码？私信？关注？点赞？收藏？WeChat?

--------------------

## 一、🌎Python简介 ##

Python是一种高级、解释性、面向对象的编程语言。它具有简洁的语法和易于阅读的代码风格，使得它成为初学者和专业开发人员的首选语言之一。

Python具有广泛的应用领域，包括Web开发、数据分析、人工智能、科学计算、网络编程等。它拥有强大的第三方库和工具生态系统，如NumPy、Pandas、Matplotlib和TensorFlow，使得开发人员能够快速构建复杂的应用程序。

Python还是一种跨平台的语言，可以在多个操作系统上运行，如Windows、Linux和MacOS。

由于其易学易用的特性，Python已经成为编程教育的主流语言之一。许多大学和学校都将Python作为入门级编程语言进行教学。

总体而言，Python是一种功能强大、易于学习和使用的编程语言，适用于各种应用场景，并且在业界有着广泛的应用和支持。

--------------------

## 二、🌎TensorFlow简介 ##

TensorFlow 是由 Google 团队开发的深度学习框架之一，它是一个完全基于 Python 语言设计的开源的软件。TensorFlow 的初衷是以最简单的方式实现机器学习和深度学习的概念，它结合了**计算代数**的优化技术，使它便计算许多数学表达式。

TensorFlow 可以训练和运行**深度神经网络**，它能应用在许多场景下，比如，图像识别、手写数字分类、递归神经网络、单词嵌入、自然语言处理、视频检测等等。TensorFlow 可以运行在多个 CPU 或 GPU 上，同时它也可以运行在移动端操作系统上（如安卓、IOS 等），它的架构灵活，具有良好的可扩展性，能够支持各种网络模型（如OSI七层和TCP/IP四层）。

TensorFlow 官网（[https://tensorflow.google.cn/][https_tensorflow.google.cn]）提供了 TensorFlow 的官方学习文档以及最新版本的下载方式。

TensorFlow 这个词由 Tensor 和 Flow 两个词组成，这两者是 TensorFlow 最基础的要素。Tensor 代表张量（也就是数据），它的表现形式是一个多维数组；而 Flow 意味着流动，代表着计算与映射，它用于定义操作中的数据流。

tensorflow2.x版本对小白非常友好，2.x的api中对[keras][]进行了合并，大家只需要安装tensorflow就可以使用里面封装好的keras，利用keras可以快速地加载数据集和构建模型，下面我们直接来看以下通过tensorflow2.3训练自己的分类数据集吧。

--------------------

## 三、🌎效果演示 ##

**通过Pyqt5来构建图形化界面**

![e8d8582199bb487da0aed77424d843d7.png][]

**通过flask构建网站页面**

![8a568659903548d9b19873417ce8bc3f.png][]

![140cbf8d79b44b6da0f11cefe2e82d12.png][]

--------------------

## 四、🌎数据集整理 ##

我们可以通过如下代码实现数据集的快速搜集！

# -*- coding: utf-8 -*-
    # @Time    : 2024/4/11 20:29
    # @Author  : Enovo
    # @File    : get_data.py
    # @Software: PyCharm
    # @Brief   : 爬取所需要的数据集图片
    
    import requests
    import re
    import os
    
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36'}
    name = input('请输入要爬取的图片类别：')
    num = 0
    num_1 = 0
    num_2 = 0
    x = input('请输入要爬取的图片数量？（1等于60张图片，2等于120张图片）：')
    list_1 = []
    for i in range(int(x)):
        name_1 = os.getcwd()
        name_2 = os.path.join(name_1, 'data/' + name)
        url = 'https://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + name + '&pn=' + str(i * 30)
        res = requests.get(url, headers=headers)
        htlm_1 = res.content.decode()
        a = re.findall('"objURL":"(.*?)",', htlm_1)
        if not os.path.exists(name_2):
            os.makedirs(name_2)
        for b in a:
            try:
                b_1 = re.findall('https:(.*?)&', b)
                b_2 = ''.join(b_1)
                if b_2 not in list_1:
                    num = num + 1
                    img = requests.get(b)
                    f = open(os.path.join(name_1, 'data/' + name, name + str(num) + '.jpg'), 'ab')
                    print('---------正在下载第' + str(num) + '张图片----------')
                    f.write(img.content)
                    f.close()
                    list_1.append(b_2)
                elif b_2 in list_1:
                    num_1 = num_1 + 1
                    continue
            except Exception as e:
                print('---------第' + str(num) + '张图片无法下载----------')
                num_2 = num_2 + 1
                continue
    
    print('下载完成,总共下载{}张,成功下载:{}张,重复下载:{}张,下载失败:{}张'.format(num + num_1 + num_2, num, num_1, num_2))

**整理数据集**

放置到相应的子文件夹  
数据集收集完成之后，我们还需要对数据集进行整理，如果是爬虫爬取的图片可能会有一些质量比较差的图片，那么整理之前还需要进行数据的清洗，删除质量不好的图片，数据集整理其实很简单，我们只需要将数据集进行归类即可，即相同类别的图片放在一个文件夹下，比如下面的这个数据集，百合的文件夹下放的全是百合的图片，水仙的文件夹下则放的全是水仙的图片。

![173d3a1eacfc400e89325cd08ee9d20d.png][]

![18d9d9a6cc9041558e7bdbdee58186b7.png][]

![2ec97e40d68d4c809ab8dfb059603015.png][]

--------------------

#### 划分训练集和测试集 ####

注：如果是使用的开源数据集，开源数据集可能已经进行了数据集的划分，直接使用即可，不需要再次进行划分，比如这里是我下载到的农作物病虫害的数据集，已经分别提供了训练集、测试集和验证集，就不需要再次进行数据集的划分。

为了方便我们进行数据集的加载，我们还需要将图片划分为训练集和测试集，如果需要的话你还需要划分出验证集，验证集在一般的任务中是可选的，因为是自己收集的数据集的话，数据量比较少，如果再划分验证集的话可能会导致训练量不够，这里我写了一段数据集划分的代码逻辑，大家输入原始的数据集位置和划分之后的数据集位置，指定数据集划分的比例，即可完成数据集的划分。

![edbc536f702e4b368a8bb70973da08b3.png][]

**数据集划分代码：**

# -*- coding: utf-8 -*-
    # @Time    : 2024/4/11 20:29
    # @Author  : Enovo
    # @File    : data_split.py
    # @Software: PyCharm
    # @Brief   : 将数据集划分为训练集、验证集和测试集
    import os
    import random
    from shutil import copy2
    
    
    def data_set_split(src_data_folder, target_data_folder, train_scale=0.7, val_scale=0.2, test_scale=0.1):
        '''
        读取源数据文件夹，生成划分好的文件夹，分为trian、val、test三个文件夹进行
        :param src_data_folder: 源文件夹 
        :param target_data_folder: 目标文件夹 
        :param train_scale: 训练集比例
        :param val_scale: 验证集比例
        :param test_scale: 测试集比例
        :return:
        '''
        print("开始数据集划分")
        class_names = os.listdir(src_data_folder)
        # 在目标目录下创建文件夹
        split_names = ['train', 'val', 'test']
        for split_name in split_names:
            split_path = os.path.join(target_data_folder, split_name)
            if os.path.isdir(split_path):
                pass
            else:
                os.mkdir(split_path)
            # 然后在split_path的目录下创建类别文件夹
            for class_name in class_names:
                class_split_path = os.path.join(split_path, class_name)
                if os.path.isdir(class_split_path):
                    pass
                else:
                    os.mkdir(class_split_path)
    
        # 按照比例划分数据集，并进行数据图片的复制
        # 首先进行分类遍历
        for class_name in class_names:
            current_class_data_path = os.path.join(src_data_folder, class_name)
            current_all_data = os.listdir(current_class_data_path)
            current_data_length = len(current_all_data)
            current_data_index_list = list(range(current_data_length))
            random.shuffle(current_data_index_list)
    
            train_folder = os.path.join(os.path.join(target_data_folder, 'train'), class_name)
            val_folder = os.path.join(os.path.join(target_data_folder, 'val'), class_name)
            test_folder = os.path.join(os.path.join(target_data_folder, 'test'), class_name)
            train_stop_flag = current_data_length * train_scale
            val_stop_flag = current_data_length * (train_scale + val_scale)
            current_idx = 0
            train_num = 0
            val_num = 0
            test_num = 0
            for i in current_data_index_list:
                src_img_path = os.path.join(current_class_data_path, current_all_data[i])
                if current_idx <= train_stop_flag:
                    copy2(src_img_path, train_folder)
                    # print("{}复制到了{}".format(src_img_path, train_folder))
                    train_num = train_num + 1
                elif (current_idx > train_stop_flag) and (current_idx <= val_stop_flag):
                    copy2(src_img_path, val_folder)
                    # print("{}复制到了{}".format(src_img_path, val_folder))
                    val_num = val_num + 1
                else:
                    copy2(src_img_path, test_folder)
                    # print("{}复制到了{}".format(src_img_path, test_folder))
                    test_num = test_num + 1
    
                current_idx = current_idx + 1
    
            print("*********************************{}*************************************".format(class_name))
            print(
                "{}类按照{}：{}：{}的比例划分完成，一共{}张图片".format(class_name, train_scale, val_scale, test_scale, current_data_length))
            print("训练集{}：{}张".format(train_folder, train_num))
            print("验证集{}：{}张".format(val_folder, val_num))
            print("测试集{}：{}张".format(test_folder, test_num))
    
    
    if __name__ == '__main__':
        src_data_folder = "./data"   # todo 修改你的原始数据集路径
        target_data_folder = "./new_data"  # todo 修改为你要存放的路径
        data_set_split(src_data_folder, target_data_folder)

--------------------

## 五、🌎环境搭建 ##

**Python3.7+TensorFlow2.3**

**此处可以根据电脑选择安装GPU或者CPU版本**

本次教程需要大家实现配置好python的环境，我们需要使用到anaconda和pycharm，不熟悉环境配置的同学可以看我得这篇博客，我在这里就不再进行赘述了。

[深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】![icon-default.png?t=N7T8][icon-default.png_t_N7T8]http://t.csdnimg.cn/ZT91i][Anaconda_Pycharm_PyTorch_GPU_CUDA_cuDNN_icon-default.png_t_N7T8_icon-default.png_t_N7T8_http_t.csdnimg.cn_ZT91i]

#### 训练模型 ####

模型训练的代码种，以 cnn 模型的训练为例，**train\_cnn.py** 是训练cnn模型的代码，只需要修改三处即可，如下所示

![e6afb15f481449b3a9b5ebf4745c5b56.png][]

**train\_mobilnet.py** 是训练 **mobilenet** 模型的代码，训练的模型将会保存在 **models** 目录下，这里也是只需修改三处即可。

![7069acdde4c740f5a91e60ab35d75f2e.png][]

**注：代码最后一行的epochs指的是跑的训练的轮数，这里默认是30，大家可以根据自己的需要增加或减少训练的轮数**

--------------------

修改之后直接运行即可，等代码跑完后模型就会保存在models目录下

![6a9e3ba2944c4869b03d4631d0926603.png][]

另外，在results目录下你可以找到模型训练的过程图

![9569aeb53fa04fe08890895f149b5245.png][]

模型训练的过程中会输出数据集的 **类名**，这里记录一下，在后面的模型使用中会用到。

测试模型  
模型的测试的代码为test\_model.py，也是只需要改动几处代码即可完成测试

改动如下：

![b8f42fc887504ee5815d08a060655d89.png][]

测试的基本流程是：加载数据、加载模型、测试、保存结果

测试之后在命令行中会输出每个模型的准确率，并且会在results目录下生成相应的热力图  
热力图中对应了每个类别的准确率，如下所示，是mobilenet测试的热力图。

![5a45fcd131bb4c26bd3b3a6dae92a3c1.png][]

使用模型  
模型的时候中，我们通过Pyqt5来构建图形化界面，用户可以上传图片，并在系统中调用我们训练好的模型进行图片类别的预测。

在window.py代码中修改四处即可完成基本功能，如下：

![1c807135ce9543de97e5a97ee82aa481.png][]

此外我们增加了Flask网站页面显示，只需在 app.py 启动即可，并修改如下：

![b26f85dc14ed4f00a04bd939e8966fd2.png][]

启动成功！！！

--------------------

## 六、⚙️获取代码 ##

[Piercely/TensorFlow2.3\_Forestry: 【大学生实践项目】基于tensorflow2.3的林业有害生物分类系统 (github.com)][Piercely_TensorFlow2.3_Forestry_ _tensorflow2.3_ _github.com]

正确的代码文件及路径，见下图：

![2927c31040844e939d205d36348c596f.png][]

第一步，下载源码压缩包，解压并打开文件夹，即为上图样式；

第二步，创建环境，我使用的是 **anaconda python3.7**；

第三步，打开 pycharm 导入项目，点击 **app.py 或者 ui.py** 文件运行；

以上就是我们此次TensorFlow实践作业的全部内容了，是否精彩呢？如果有好的建议或者想法可以联系我，一起交流🙇；  
————————————————

--------------------

至此，本篇文章就已经全部结束了，感谢大家的观看。

已许久许久许久……未更新。

忙于考试。

**加油加油加油！！！**

/(ㄒoㄒ)/~~

--------------------

## **🥇Summary** ##

> 上述内容就是此次  的全部内容了，感谢大家的支持，相信在很多方面存在着不足乃至错误，希望可以得到大家的指正。🙇(ง •\_•)ง

> 我非轻舟

> 2024年第四期，继续加油！！！

> **希望大家有好的意见或者建议，欢迎私信，一起加油**

--------------------

**以上就是本篇文章的全部内容了**

**~ 关注我，点赞博文~ 每天带你涨知识!**

1.看到这里了就 **\[点赞+好评+收藏\]** 三连 支持下吧，你的「点赞，好评，收藏」是我创作的动力。

2.关注我 ~ 每天带你学习 **:各种前端插件、3D炫酷效果、图片展示、文字效果、以及整站模板 、HTML模板 、C++、数据结构、Python程序设计、Java程序设计、爬虫等！ 「在这里有好多 开发者，一起探讨 前端 开发 知识，互相学习」！**

3.以上内容技术相关问题可以相互学习，可 **关 注 ↓公 Z 号 获取更多源码 !**

## 获取源码？私信？关注？点赞？收藏？WeChat? ##

> 👍+✏️+⭐️+🙇

有需要源码的小伙伴可以 关注下方微信公众号 **" Enovo开发工厂 "**🙇

[16df0128c2fc4761be10983e3e8c7ec5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/5fca7f06393b494ea3c4b6ebb617ac48.png
[837b11390fd2464cb748a84aef98ffc4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/5c37e4ca4a06415ca66b31b3631b8919.png
[https_tensorflow.google.cn]: https://link.zhihu.com/?target=https%3A//tensorflow.google.cn/
[keras]: https://so.csdn.net/so/search?q=keras&spm=1001.2101.3001.7020
[e8d8582199bb487da0aed77424d843d7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/8f1cfea948f244c597d0c5850b2d3653.png
[8a568659903548d9b19873417ce8bc3f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/9b61d1c5a02e40f2bb8379aa0bc8752f.png
[140cbf8d79b44b6da0f11cefe2e82d12.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/7bc732e5ccd34167be2d3ff511d89a44.png
[173d3a1eacfc400e89325cd08ee9d20d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/bae013b695b045669598cd3026a65997.png
[18d9d9a6cc9041558e7bdbdee58186b7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/0037559b527a4724a0ed253871000401.png
[2ec97e40d68d4c809ab8dfb059603015.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/0ca5567556ec4ec1801b6b2e73d10cd0.png
[edbc536f702e4b368a8bb70973da08b3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/8e96c9a2bb554692b0066fb6a81b98d8.png
[icon-default.png_t_N7T8]: https://csdnimg.cn/release/blog_editor_html/release2.3.6/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=N7T8
[Anaconda_Pycharm_PyTorch_GPU_CUDA_cuDNN_icon-default.png_t_N7T8_icon-default.png_t_N7T8_http_t.csdnimg.cn_ZT91i]: http://t.csdnimg.cn/ZT91i
[e6afb15f481449b3a9b5ebf4745c5b56.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/91333edc5e5d43d8ba70750344b8feb0.png
[7069acdde4c740f5a91e60ab35d75f2e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/da2c7645cf474f50b95be14d72315cef.png
[6a9e3ba2944c4869b03d4631d0926603.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/b1898dffb2c444b08ba28282ea8e3b3e.png
[9569aeb53fa04fe08890895f149b5245.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/c0f25cc29f9143dba75a0755f9f5e955.png
[b8f42fc887504ee5815d08a060655d89.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/505552a3ca4f43eb85df12594ff5dc7d.png
[5a45fcd131bb4c26bd3b3a6dae92a3c1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/9fe5f84a06ef47d5a0935bb1934f2acd.png
[1c807135ce9543de97e5a97ee82aa481.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/c7a4193e0d884a7582d0a1bf4de1c5b7.png
[b26f85dc14ed4f00a04bd939e8966fd2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/43de95a8ba20481a83e484e9dfdeae70.png
[Piercely_TensorFlow2.3_Forestry_ _tensorflow2.3_ _github.com]: https://github.com/Piercely/TensorFlow2.3_Forestry
[2927c31040844e939d205d36348c596f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/f944dc6b015e4e969e42230c6db5c83b.png