资源文件

15种常见动物识别数据集

一、数据集介绍

（1）数据集分为训练集train、测试集test两部分
（2）动物类别：bird、cat、cattle、chicken、dog、dolphin、duck、elephant、giraffe、monkey、pig、rabbit、rat、sheep、tiger。
（3）train数据集中每类动物有200张图片
（4）test数据集中每类动物有20张图片

二、开发步骤

1.引入库

from keras.applications.vgg16 import VGG16
from keras.models import Sequential
from keras.layers import Dropout,Flatten,Dense
from keras.optimizers import SGD
from keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
from keras_preprocessing.image import img_to_array,load_img
from keras.models import load_model
import numpy as np

2.定义模型

vgg16_model = VGG16(weights='imagenet',include_top=False,input_shape=(150,150,3))

#搭建全连接层
top_model = Sequential()
top_model.add(Flatten(input_shape=vgg16_model.output_shape[1:]))
top_model.add(Dense(256,activation='relu'))
top_model.add(Dropout(0.5))
top_model.add(Dense(15,activation='softmax'))

#两个模型进行合并
model = Sequential()
model.add(vgg16_model)
model.add(top_model)
model.summary()

在这里插入图片描述

3.定义优化器

model.compile(optimizer=SGD(lr=1e-4,momentum=0.9),loss='categorical_crossentropy',metrics=['accuracy'])

4.训练数据增强

train_datagen = ImageDataGenerator(
    rotation_range=40,
    width_shift_range=0.2, #随机旋转度数
    height_shift_range=0.2, #随机水平位移
    rescale=1/255, #数据归一化
    shear_range=0.2, #随机裁剪
    zoom_range=0.2, #随机放大
    horizontal_flip=True, #水平翻转
    fill_mode='nearest', #填充方式
)

5.测试数据归一化

test_data = ImageDataGenerator(
    rescale=1/255, #数据归一化
)

6.数据生成

# 定义数据生成
batch_size = 32  #每次传32张照片

#生成训练数据
train_generator = train_datagen.flow_from_directory(
    '/BASICCNN/image/train',
    target_size=(150,150),
    batch_size=batch_size,
)

#生成测试数据
test_generator = test_data.flow_from_directory(
    '/BASICCNN/image/test',
    target_size=(150,150),
    batch_size=batch_size,
)

7.查看类别定义

print(train_generator.class_indices)

在这里插入图片描述

8.训练模型

history=model.fit_generator(train_generator,epochs=10,validation_data=test_generator)
model.save('/BASICCNN/TrainModel_h5/model_VGG16Train.h5')

在这里插入图片描述

9.绘制训练和验证结果

plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model_Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epochs')
plt.legend(['Train_Accuracy','Valid_Accuracy'],loc='upper left')
plt.savefig('/BASICCNN/TrainImage/VGG16Train_accuracy.png')
plt.show()

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model_Loss')
plt.ylabel('Loss')
plt.xlabel('Epochs')
plt.legend(['Train_Loss','Valid_Loss'],loc='upper left')
plt.savefig('/BASICCNN/TrainImage/VGG16Train_loss.png')
plt.show()