Слияние кода завершено, страница обновится автоматически
Здравствуйте! Меня зовут Dejahu, также можете называть меня Sishier (四十二). Здесь представлен код для распознавания фруктов и овощей, который также является шаблоном кода для классификации объектов в TensorFlow. Надеюсь, он будет вам полезен. Если у вас есть вопросы, вы можете подписаться на мой аккаунт B站: Dejahu или оставить комментарий под видео на B站. Я обязательно отвечу вам!
Этот код можно использовать как шаблон для обучения собственной модели классификации. Нужно лишь немного изменить его, чтобы завершить построение и обучение вашей модели.
CSDN учебник: Пошаговое руководство по обучению собственной модели классификации с помощью TensorFlow 2.3_dejavu's Blog-CSDN Blog B站 видео: Пошаговая инструкция по обучению собственного набора данных с помощью TensorFlow Набор данных: Список наборов данных для компьютерного зрения — прилагается руководство по обучению и использованию моделей TensorFlow_dejavu's Blog-CSDN Blog
Примечание: здесь представлены код и модель для распознавания фруктов и овощей.
Большой набор данных невозможно загрузить через git. Пожалуйста, загрузите набор данных по следующему адресу и поместите его в каталог того же уровня, что и код: Набор данных для распознавания фруктов и овощей .zip — профессиональные руководства и ресурсы — загрузка CSDN
Подробное объяснение кода см. в статье: Часть 2: Система распознавания фруктов и овощей — разработка на основе TensorFlow 2.3_dejavu's Blog-CSDN Blog
В основном, две группы моделей обучаются с использованием TensorFlow для выполнения задачи классификации. Структура модели выглядит следующим образом:
images — каталог, в котором хранятся изображения, включая тестовые изображения и изображения для использования в пользовательском интерфейсе.
models — каталог, содержащий две обученные группы моделей: модель CNN и модель Mobilenet.
results — каталог, где хранятся результаты процесса обучения, включая некоторые визуализированные графики, два файла txt, содержащие выходные данные процесса обучения, и два графика, показывающие кривые точности и потерь для тренировочного и проверочного наборов для двух моделей.
utils — в основном это файлы, написанные мной для тестирования, которые не имеют практического применения в этом проекте.
get_data.py — программа-паук, которая может сканировать изображения с Baidu.
window.py — файл интерфейса, созданный с использованием PyQt5, который позволяет предсказывать категории изображений путем загрузки изображений.
testmodel.py — тестовый файл, используемый для проверки точности двух групп моделей на проверочном наборе. Эту информацию также можно получить из выходных данных txt в results.
train_cnn.py — код для обучения модели CNN.
train_mobilenet.py — код для обучения модели Mobilenet.
requirements.txt — список пакетов, необходимых для этого проекта.
Ниже приведены учебные материалы о сверточных нейронных сетях, которые могут помочь вам лучше понять их.
Объяснение сверточной нейронной сети от учителя Ли: https://www.bilibili.com/video/BV1Lb411b7BS?from=search&seid=14069382285256773171
Как понять сверточные нейронные сети (CNN) — свертка и пулинг: https://www.zhihu.com/question/49376084/answer/712089980
Легкая CNN-сеть MobileNetv2: https://zhuanlan.zhihu.com/p/52426865
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Комментарии ( 0 )