Flowers-Recognition花卉识别系统：基于PyTorch的完整实现

原创 已于 2025-06-21 19:10:52 修改 · 1.6k 阅读 · 30 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#pytorch #人工智能 #python
于 2025-06-21 02:56:21 首次发布
该文章已生成可运行项目，

引言

在本文中，我们将详细介绍如何使用PyTorch框架构建一个完整的花卉识别系统。该系统基于ResNet18预训练模型，通过迁移学习实现对五种不同花卉的高精度分类。我们将从数据预处理、模型构建、训练优化到结果评估，全面讲解每个环节的实现细节。

一、 项目概述

花卉识别是计算机视觉中的经典分类问题。本项目使用Kaggle上的Flowers Recognition数据集，包含5类花卉（雏菊、蒲公英、玫瑰、向日葵、郁金香）的4242张图像。我们将构建一个深度学习模型来自动识别这些花卉种类。

二、环境配置与数据准备

2.1首先需要安装必要的Python库

!pip install torch torchvision torchviz numpy pandas matplotlib seaborn scikit-learn tqdm

2.2 再导入必要的库

我们需要导入深度学习、数据处理和可视化相关的 Python 库：

import os
import numpy as np
import torch
import torchvision
from torchvision import datasets, transforms, models
from torch.utils.data import DataLoader, random_split
import matplotlib.pyplot as plt
from sklearn.metrics import classification_report, confusion_matrix
import seaborn as sns
import pandas as pd
from tqdm import tqdm
import time
import copy

• torch 和 torchvision：PyTorch 核心库，用于构建和训练深度学习模型。
• datasets 和 transforms：用于加载和预处理图像数据。
• DataLoader：提供批量数据加载功能，优化训练效率。
• matplotlib 和 seaborn：用于可视化训练过程和模型性能。
• sklearn.metrics：计算分类报告和混淆矩阵，评估模型表现。
• tqdm：显示训练进度条，提升用户体验。

2.2 设备检测（GPU/CPU）

深度学习模型训练通常依赖 GPU 加速。我们可以使用以下代码检测是否有可用的 CUDA（NVIDIA GPU）设备：

# 检查是否有可用的GPU
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")

• 如果输出 cuda:0，说明 GPU 可用，训练速度会大幅提升。
• 如果输出 cpu，则只能使用 CPU 进行训练（速度较慢）。 

2.3 数据集路径设置

本实验使用的数据集是 Flowers Recognition（可从 Kaggle 下载），代码中指定数据存储路径如下：

data_dir = '/kaggle/input/flowers-recognition/flowers'

三、 数据分析与数据集划分

3.1 数据集划分（训练集、验证集、测试集）

通常，我们会将数据集划分为 训练集（70%）、验证集（15%） 和 测试集（15%），以确保模型训练和评估的可靠性。

输出示例：

  

注意事项：

• 训练集 用于模型训练。
• 验证集 用于调整超参数（如学习率、Batch Size）。
• 测试集 仅用于最终评估，不能参与训练过程，以确保评估的公正性。

 3.2 原始数据集的类别分布分析

在开始训练之前，我们需要了解数据集的类别分布情况，以确保数据均衡性，避免模型训练时出现偏差。

输出示例：

• 柱状图 展示各类别的样本数量分布。
• 控制台打印 显示每个类别的具体图像数量，例如：

Class Distribution:        daisy: 633 images        dandelion: 898 images        rose: 641 images
sunflower: 699 images        tulip: 799 images 

分析：  

• 各类别样本数量大致接近，但仍存在一定差异（如 dandelion 最多，rose 最少）。
• 若某些类别样本过少，可考虑数据增强（Data Augmentation）来平衡数据。

四、数据预处理与增强

4.1 数据增强策略

在深度学习中，数据预处理和增强是提升模型泛化能力的关键步骤。我们针对训练集、验证集和测试集分别设计了不同的处理流程

关键点解析：

• 训练集增强：通过多种随机变换增加数据多样性，防止过拟合。
• 验证/测试集处理：仅进行必要的尺寸调整和标准化，保持评估一致性。
• 标准化参数：使用ImageNet的均值和标准差，这是预训练模型的通用做法 。

4.2 数据集划分与加载 

我们采用7:1.5:1.5的比例划分训练集、验证集和测试集：

 

执行结果示例：

技术细节说明：

  1. 随机种子固定：manual_seed(42)确保每次划分结果一致。

  2. 数据加载优化：

    • shuffle=True仅用于训练集。

    • num_workers=4加速数据加载。

  3. 内存效率：通过DataLoader实现批量加载，避免内存溢出。

4.3 数据可视化示例 

让我们查看经过增强后的训练图像样本：

 观察结论： 

• 图像经过随机裁剪、翻转等变换。
• 色彩调整增加了样本多样性。
• 不同样本保持清晰的类别特征。

五、数据可视化与增强效果展示

5.1 数据可视化实现

为了直观理解数据增强的效果，我们实现了图像可视化函数：

 关键步骤解析：

1. 张量转换：将PyTorch张量转为NumPy数组，并调整通道顺序（C,H,W → H,W,C）。
2. 反标准化：还原图像到原始色彩范围。
3. 像素裁剪：确保像素值在[0,1]范围内。
4. 交互显示：plt.pause()保证图像窗口能正常更新。

 5.2 训练数据增强效果展示

我们随机选取一个批次的训练数据进行可视化： 

输出示例： 

增强效果分析：

  1. 空间变换：

    • 随机裁剪使花朵出现在不同位置。

    • 水平翻转产生镜像图像。

    • ±30度旋转增加视角多样性。

  2. 色彩变换：

    • 亮度调整模拟不同光照条件。

    • 饱和度变化增强色彩鲁棒性。

    • 色相微调模拟白平衡差异。

  3. 标准化效果：

    • 所有图像保持相似的色彩分布。

    • 细节特征清晰可见。

5.3 不同数据集的预处理对比

我们可以对比训练集和验证集的预处理差异：

5.4 实际应用建议  

  1. 增强强度选择：

  • 对于小数据集（<10k样本），建议使用更强的增强。

  • 大数据集可适当减少增强幅度。

     2. 调试技巧： 

     3. 注意事项：

  • 验证/测试集禁止使用随机增强。

  • 工业场景中可根据业务需求定制增强策略。

  • 监控GPU显存使用，过大batch_size可能导致OOM。

六、模型构建与训练准备

6.1 加载预训练ResNet模型

6.2 修改输出层

6.3 训练配置

关键点说明：

  • 迁移学习：利用预训练特征提取器，仅训练最后的分类层。

  • 优化范围：model.fc.parameters()确保只更新全连接层。

  • 学习率衰减：阶梯式下降策略防止后期震荡。

七、模型结构可视化

关键说明：

  1. 使用torchviz可视化模型计算图。

  2. 展示从输入到输出的完整数据流。

  3. 保存为PNG图片便于博客展示。

输出效果： 

八、模型训练实现

关键功能：

  1. 双阶段训练：交替进行训练和验证。

  2. 自动保存：保留验证集表现最好的模型权重。

  3. 完整记录：跟踪损失和准确率变化历史。

  4. 进度显示：使用tqdm显示训练进度条。

九、执行模型训练

关键参数说明：

  • num_epochs=15：平衡训练效率和模型性能。

  • 自动保存验证集最佳准确率的模型权重。

  • 每轮输出训练/验证集的损失和准确率。

十、超参数调优实验 

关键发现：

  1. Adam优化器表现普遍优于SGD。

  2. 学习率0.001达到最佳平衡。

  3. 实验耗时约15分钟（RTX 3060）。

 十一、训练过程可视化

结果示例：

图表分析：

  1. 损失曲线（左图）：

    • 训练/验证损失同步下降 → 模型正常收敛。

    • 未出现明显过拟合（两条曲线间距稳定）。

  2. 准确率曲线（右图）：

    • 最终验证准确率稳定在92%左右。

    • 训练后期仍有小幅提升空间。

典型问题诊断：

  • 若验证损失上升 → 可能过拟合（需增加正则化）。

  • 若两条曲线差距大 → 可能欠拟合（需增强模型能力）。

十二、Batch Size与Epoch调优实验 

结果示例（仅一小段）：

实验结果对比表：

关键结论：

1. Batch Size影响：
◦ 32 batch size取得最佳平衡
◦ 过小(16)导致训练慢，过大(64)降低准确率
2. Epochs影响：
◦ 15-20 epochs达到性能饱和
◦ 继续增加epochs收益递减

十三、模型预测可视化

执行预测可视化：

输出效果示例：

输出效果说明：

  • 每张图像上方显示预测结果和真实标签。

  • 绿色标题表示预测正确，红色表示预测错误。

  • 网格布局展示6个典型样本的预测情况。

扩展分析技巧：

  1. 错误分析专用模式：

  2. 置信度显示增强版：

（该可视化帮助直观评估模型在各类别上的表现，特别适合发现系统性识别错误的类别 。）

十四、模型保存与部署 

模型保存

关键说明：

  • 仅保存模型参数（state_dict），不保存整个模型结构

  • 文件大小约45MB（ResNet18）

  • 推荐使用.pth或.pt后缀名

部署建议

  1. Web服务部署：

  2. 移动端部署：使用TorchScript转换模型：

  3. 生产环境注意事项：添加异常处理、实现请求限流、添加输入数据验证、考虑模型版本控制。

十五、结语与展望

通过本项目的完整实现，我们成功构建了一个准确率超过93%的花卉识别系统。以下是关键成果总结：

技术亮点：

  • ✔️ 采用迁移学习技术，基于ResNet18实现高效训练

  • ✔️ 通过数据增强使模型具有优秀的泛化能力

  • ✔️ 系统化的超参数调优流程

  • ✔️ 完整的训练可视化与错误分析方案

实际应用价值：

  • 🌸 可集成到智能园艺管理系统中

  • 📱 转化为移动端花卉识别APP

  • 🖥️ 作为教育领域的AI教学案例

  • 🔍 扩展应用于植物病理检测等专业领域

改进方向：

  1. 尝试EfficientNet等更先进的模型架构

  2. 引入注意力机制提升细粒度分类能力

  3. 收集更多样化的花卉数据

  4. 开发实时视频流识别功能

🌸 让AI与自然之美相遇

在这个充满代码的世界里，我们教会了机器认识玫瑰的浪漫、向日葵的热情、雏菊的纯洁...技术的温度，正在于让冰冷的算法也能读懂生命的诗意。每一次正确的分类，都是人类智慧与自然之美的精彩对话。

未来已来，花会开得更好。愿这段代码之旅，能在您心中种下探索AI世界的种子，静待花开。

本文章已经生成可运行项目
cylz007
关注
YOLOv8鲜花识别+训练好的模型+pyqt界面+数据集
04-23
1、yolov8鲜花检测，包含训练好的鲜花识别权重，以及PR曲线，loss曲线等等，在鲜花检测数据集中训练得到的权重，类别为桃花、梨花和玫瑰3类，标签格式为txt和xml两种，分别保存在两个文件夹中 2、带pyqt界面，可检测图片、视频以及调用摄像头 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码
基于深度学习的花卉识别项目实战
weixin_32005771的博客
05-10 693
在当今数字化时代，花卉识别技术通过结合计算机视觉和机器学习方法，为自然界中的花卉识别提供了一种高效和精确的手段。本项目旨在开发一个能够准确识别不同种类花卉的自动识别系统，通过对花卉图像的自动处理与分析，用户可以得到花卉的种类、特性以及其他相关信息。项目的基本工作流程如下：1. 数据采集：从各种公共数据集和拍摄新图像收集花卉的图像数据。2. 数据预处理：对收集的数据进行清洗、标注和格式化，以便用于训练机器学习模型。
Pytorch CNN入门实战之Flower-Recognition
qq_51785266的博客
10-21 427
class CNNet是原github用户@Aeryes编写，写的很棒，条理清晰，层次鲜明，但很无奈，过拟合了，在训练集上准确率可以达到99.9%，甚至100%，但测试集最高只有67%，我仿写出了class Flower，精简网络框架，调大了正则化惩罚因子，添加了丢弃层，epoch = 191轮时，测试集准确率最高达到78%，之后的优化就先搁置吧。基于Kaggle上数据集，基于github上代码debug，入门CNN。训练结束，结果如下图。
基于YOLOv8深度学习花卉识别系统摄像头实时图片文件夹多图片等另有其他的识别系统可二开
最新发布
weixin_zerozzwwxx的博客
04-09 51
支持 动态调整置信度阈值（0 1） 与 IOU阈值（0 1） ，用户可根据场景需求平衡准确率与误检率。2. 完整历史库 按时间轴归档所有检测记录，包含输入文件格式、检测时间、参数配置、结果坐标等元数据。本系统基于前沿的YOLOv8目标检测算法深度优化，专为花卉识别场景设计，可精准识别10类花卉。基于 10,000+多场景花卉数据集 训练，覆盖强光、阴影、重叠、多角度等复杂环境，1. 实时记录面板 动态显示当前检测统计（类别/数量/置信度）10种花卉智能识别系统——基于YOLOv8的智能识别解决方案。
Flowers Recognition(花卉识别数据集)
不务正业的猿
12-31 5085
原文： Flowers Recognition This dataset contains labeled 4242 images of flowers. This dataset contains 4242 images of flowers. The data collection is based on the data flicr, google images, yandex images. You can use this datastet to recognize plants fro
Flowers Recognition(花卉识别数据集).zip
09-14
Flowers Recognition(花卉识别数据集).zip
应用 Tensorflow 进行花卉识别（flower_recognition）
m0_57190374的博客
10-24 1493
应用Tensorflow构建简单网络进行花卉识别（flower_recognition）
花朵识别系统Python实现，深度学习卷积神经网络算法
子午的博客
05-27 2867
花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最后得到训练好的模型文件，并基于Django搭建可视化操作平台。
基于pytorch搭建AlexNet神经网络用于花类识别_alxnett实现102花卉
2401_84978490的博客
05-16 1201
最近打算出一个基于pytorch搭建各种经典神经网络的系列。对神经网络有一定的了解，当然了，本节针对AlexNet，那么你应对其有较深入的了解，不明白的请看我之前关于此部分的介绍，详情戳此图标☞☞☞对pytorch有一定的了解，同样的，不了解的请移步至我之前的文章，详情戳此图标☞☞☞。
【毕业设计】深度学习花卉识别系统 - 卷积神经网络 机器视觉
caxiou的博客
11-10 1万+
🔥 Hi，大家好，这里是丹成学长的毕设系列文章！🔥 对毕设有任何疑问都可以问学长哦!这两年开始，各个学校对毕设的要求越来越高，难度也越来越大… 毕业设计耗费时间，耗费精力，甚至有些题目即使是专业的老师或者硕士生也需要很长时间，所以一旦发现问题，一定要提前准备，避免到后面措手不及，草草了事。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的新项目是🚩基于深度学习卷积神经网络的花卉识别🥇学长这里给一个题目综合评分(每项满分5分)难度系数：4分工作量：4分。
【AI植物识别】深度学习与升级版卷积网络：全新花卉信息检测系统
cheng2333333的博客
11-24 2963
【AI植物识别】深度学习与升级版卷积网络：全新花卉信息检测系统
基于深度学习的花卉检测与识别系统（YOLOv5清新界面版，Python代码）
热门推荐
思绪无限的博客
03-22 2万+
基于深度学习的花卉检测与识别系统用于常见花卉识别计数，智能检测花卉种类并记录和保存结果，对各种花卉检测结果可视化，更加方便准确辨认花卉。本文详细介绍花卉检测与识别系统，在介绍算法原理的同时，给出Python的实现代码、训练数据集，以及PyQt的UI界面。基于YOLOv5目标检测算法，在界面中可以选择各种图片、视频进行检测识别。博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。
YOLOv8系列】（七）毕设实战：YOLOv8+Pyqt5实现鲜花智能分类系统
weixin_44765053的博客
09-16 2403
简介: 由牛津大学计算机视觉研究组发布，该数据集包含102种花卉的图像，种类涵盖常见的花卉类型，如玫瑰、向日葵和郁金香。图像数量: 数据集中共有8189张图像，每种花卉类别的图片数量不一，最低有40张，最高达258张。标签信息: 每张图像都带有相应的类别标签，用于模型的训练与评估。应用场景: 该数据集广泛用于花卉识别、图像分类、图像分割等任务，是计算机视觉领域的重要基准数据集之一。在本博客中，我们详细介绍了一个基于YOLOv8模型的花朵分类系统。
深度学习花朵识别系统的设计与实现
呵呵哒!的博客
07-11 1万+
摘要：该项目是基于Keras的VGG16模型微调实现的深度学习花朵识别检测系统，使用Python语言中的cv2和numpy库对图像进行预处理，使用keras的ImageDataGenerator进行数据增强，采用Pyqt5实现功能的可视化，方便用户对图片进行检测。在实验过程中，发现当数据集较小，很难在一个新的网络结构上训练出具有很高准确率的模型，可以借助预训练网络模型（即已经训练好的网络模型，如VGG16）。我们利用自己的数据集来重新训练这些模型的分类层，就可以获得比较高的准确率。在此基础上该模型调参优化得
基于Pytorch深度学习神经网络CNN花朵图像识别系统
修行之路
06-05 2703
基于Pytorch卷积神经CNN网络的花朵图像识别系统
机器学习-花卉识别系统
子午的博客
04-28 4114
介绍 机器学习，人工智能，模式识别课题项目，基于tensorflow机器学习库使用CNN算法通过对四种花卉数据集进行训练，得出训练模型。同时基于Django框架开发可视化系统，实现上传图片预测是否为玫瑰，蒲公英，郁金香，向日葵等花卉，并集成后台管理系统，可查看概率值，以及上传预测信息。 技术栈 机器学习库：tensorflow 算法：CNN WEB框架：Django 核心部分 # 进行batch的训练 try: # 执行MAX_STEP步的训练，一步一个batch for ste
【基于PyTorch实现经典网络架构的花卉图像分类模型】
fly_ddaa的博客
04-11 2607
本文基于PyTorch框架，使用经典的卷积神经网络（CNN）架构，对花卉图像进行分类任务。我们介绍了如何使用PyTorch实现ResNet的CNN网络架构。我们还展示了如何通过微调预训练模型来提高模型的准确性，并介绍了如何使用PyTorch内置的数据增强和数据加载功能来预处理和加载数据。通过本文的学习，读者可以了解到如何使用PyTorch框架来实现图像分类任务，
使用PyTorch实现对花朵的分类
Warmer_Sweeter
09-23 3947
PyTorch是一个非常适合初学者的高度可靠且强大的机器学习库。自2016年10月以来，它已经开源并由Facebook维护，并被开发人员用于研究其原型，以部署最先进的深度学习应用程序。与...
基于YOLOv8的花卉识别系统【附源码+可远程安装部署】
Dalu_1226的博客
04-15 2451
随着深度学习技术的快速发展，目标检测与识别领域取得了显著进步。本文旨在研究基于YOLOv8算法的花卉识别系统，通过构建高效、准确的花卉识别模型，实现对多种花卉的自动检测与识别。文章首先介绍了YOLOv8算法的基本原理和优势，然后详细阐述了花卉识别系统的设计与实现过程，包括数据集构建、模型训练、测试与优化等方面。最后，通过实验验证了系统的性能，并讨论了其在实际应用中的潜力和挑战。关键词：YOLOv8；花卉识别；深度学习；目标检测；图像识别。
Pytorch实现鲜花分类(102 Category Flower Dataset)
qq_41685265的博客
03-09 1万+
本文主要讲解该算法的实现过程 实验环境 python3.6+pytorch1.2+cuda10.1 数据集 102 Category Flower Dataset数据集由102类产自英国的花卉组成，每类由40-258张图片组成 下边是代码实现过程及讲解 数据加载 #选择设备 device = torch.device("cuda:0") #对三种数据集进行不同预处理，对训练数据进行...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值