vgg16花卉识别

### 使用VGG16模型实现花卉图像分类 #### 一、环境准备 为了使用VGG16模型进行花卉图像分类，需先安装必要的依赖库。以下是推荐的Python包及其版本： - PyTorch >= 2.5.1 - TorchVision >= 0.20.1 - NumPy - Matplotlib (用于可视化) 可以通过以下命令安装这些库： ```bash pip install torch torchvision numpy matplotlib ``` --- #### 二、数据集准备 在进行图像分类之前，需要准备好花卉的数据集。通常情况下，可以下载公开可用的花卉数据集（如Oxford Flowers Dataset），或者自行收集并标注数据。 假设已有一个名为`flowers_dataset`的文件夹，其中包含五个子文件夹，分别对应五种不同类型的花卉。每个子文件夹中存储该类别的花卉图片。 如果尚未有数据集，可以从网上获取或创建自己的数据集[^4]。 --- #### 三、代码实现 以下是完整的代码示例，展示如何使用VGG16模型完成花卉图像分类任务： ```python import torch from torchvision import datasets, transforms, models from torch.utils.data import DataLoader import torch.nn as nn import torch.optim as optim import os # 定义数据增强和预处理操作 data_transforms = { 'train': transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), 'val': transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) } # 加载数据集 data_dir = './flowers_dataset' # 替换为实际路径 image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x]) for x in ['train', 'val']} dataloaders = {x: DataLoader(image_datasets[x], batch_size=32, shuffle=True) for x in ['train', 'val']} # 获取类别名称 class_names = image_datasets['train'].classes # 设置设备 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 加载预训练的VGG16模型 model = models.vgg16(pretrained=True) # 修改最后一层全连接层以适应新的分类任务 num_features = model.classifier[-1].in_features model.classifier[-1] = nn.Linear(num_features, len(class_names)) # 将模型移动到GPU/CPU上 model.to(device) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练模型 def train_model(model, dataloaders, criterion, optimizer, num_epochs=10): best_acc = 0.0 for epoch in range(num_epochs): print(f'Epoch {epoch}/{num_epochs - 1}') for phase in ['train', 'val']: if phase == 'train': model.train() else: model.eval() running_loss = 0.0 running_corrects = 0 for inputs, labels in dataloaders[phase]: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) if phase == 'train': loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) running_corrects += torch.sum(preds == labels.data) epoch_loss = running_loss / len(dataloaders[phase].dataset) epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset) print(f'{phase} Loss: {epoch_loss:.4f}, Acc: {epoch_acc:.4f}') if phase == 'val' and epoch_acc > best_acc: best_acc = epoch_acc print(f'Best val Acc: {best_acc:.4f}') return model # 开始训练 model_trained = train_model(model, dataloaders, criterion, optimizer, num_epochs=10) ``` 上述代码实现了以下几个功能： 1. **数据加载与预处理**：定义了针对训练集和验证集的不同变换策略。 2. **模型初始化**：加载了预训练的VGG16模型，并修改其最后一层以适配当前任务的类别数。 3. **训练过程**：通过自定义的`train_model`函数完成了模型的训练和评估[^2]。 --- #### 四、注意事项 1. 如果硬件资源有限，可适当减少批量大小（batch size）或降低输入分辨率。 2. 预训练权重默认是在ImageNet数据集上训练得到的，因此建议保持相同的均值和标准差设置[^3]。 3. 可尝试调整学习率或其他超参数来提升最终性能。 ---