星巴克网站建设,app网站建设制作,东莞百度seo找谁,机械设计最好的三维软件目录 1 介绍2 数据爬虫3 模型训练和验证3.1 模型训练3.2 导入一张图片进行验证 4 后台flask部署5 微信小程序 1 介绍
本项目使用深度学习模型#xff0c;训练5种中药材数据集#xff0c;然后将其集成到微信小程序#xff0c;通过微信小程序拍照#xff0c;将图片传输给后端… 目录 1 介绍2 数据爬虫3 模型训练和验证3.1 模型训练3.2 导入一张图片进行验证 4 后台flask部署5 微信小程序 1 介绍
本项目使用深度学习模型训练5种中药材数据集然后将其集成到微信小程序通过微信小程序拍照将图片传输给后端后端将返回的结果展示到前端页面项目主要包含以下内容
数据爬取使用爬虫爬取百度图片可以自己定义要爬取的中草药种类、数量等信息。模型训练使用基于keras训练分类模型模型可以修改例如ResNet50系列MobileNet系列等支持在gpu、cpu训练。后台flask部署使用flask将模型部署到后台提供ip地址和端口号前端微信小程序制作前端的微信小程序页面将图片传输给后端并且将分类结果返回到前端展示
2 数据爬虫
使用requests进行爬虫 示例 for i in range(30):image_url result[data][i][middleURL]image_name %d.jpg % countresponse requests.get(image_url, headersheaders, streamTrue, timeout10)with open(os.path.join(download_path, image_name), wb) as f:f.write(response.content)count 1爬取输入参数可以自己输入爬取哪些中草药输入到list里面即可下面展示只爬取两种中草药。
# 设置搜索关键字和爬取图片的数量
name_list [枸杞,金银花]
save_path data_爬虫
page_num 1 #爬取多少页每页30个
for keyword in name_list:get_images(save_path, keyword, page_num)3 模型训练和验证
此处我们分别使用keras版本进行训练和验证具体代码和结果展示如下
3.1 模型训练
导入必要的包
from keras.preprocessing.image import ImageDataGenerator
from keras.optimizers import Adam
from keras.applications import MobileNetV2
from keras.layers import GlobalAveragePooling2D, Dense
from keras.models import Sequential
import json# 定义ImageDataGenerator
datagen ImageDataGenerator(rescale1./255,shear_range0.2,zoom_range0.2,horizontal_flipTrue,validation_split0.2 # 设置验证集的比例
)base_model MobileNetV2(weightsimagenet, include_topFalse, input_shape(224, 224, 3))model Sequential([base_model,GlobalAveragePooling2D(),Dense(128, activationrelu),Dense(num_classes, activationsoftmax)
])# 训练模型
model.fit(train_generator,steps_per_epochtrain_generator.samples // batch_size,epochs10,validation_datavalidation_generator,validation_stepsvalidation_generator.samples // batch_size)# 步骤6: 评估模型性能
eval_result model.evaluate(validation_generator)
print(fTest accuracy: {eval_result[1]*100:.2f}%)部分结果截图
36/36 [] - 22s 449ms/step - loss: 0.7144 - accuracy: 0.7664 - val_loss: 0.7706 - val_accuracy: 0.7278
Epoch 2/10
36/36 [] - 13s 352ms/step - loss: 0.1504 - accuracy: 0.9601 - val_loss: 0.5325 - val_accuracy: 0.8278
Epoch 3/10
36/36 [] - 13s 352ms/step - loss: 0.0959 - accuracy: 0.9829 - val_loss: 0.2743 - val_accuracy: 0.9222
Epoch 4/10
36/36 [] - 13s 351ms/step - loss: 0.0896 - accuracy: 0.9758 - val_loss: 0.3960 - val_accuracy: 0.8500
Epoch 5/10
36/36 [] - 13s 354ms/step - loss: 0.0743 - accuracy: 0.9758 - val_loss: 0.2853 - val_accuracy: 0.9111
Epoch 6/10
36/36 [] - 13s 351ms/step - loss: 0.0525 - accuracy: 0.9829 - val_loss: 0.2473 - val_accuracy: 0.92223.2 导入一张图片进行验证
导入图片
import cv2
import numpy as np
import json
from keras.models import load_modeldef get_img(img_path,img_width, img_height ):img cv2.imread(img_path)img cv2.resize(img, (img_width, img_height)) # 调整图像大小img img.astype(float) / 255.0 # 数据预处理确保与训练时一致img np.expand_dims(img, axis0)return imgimg_width 224
img_height 224
model load_model(rE:\project\1-zhongcaoyao\model-keras.h5)
print(class_indict)
img_file_path data_all/baihe/b (20).jpg
classify_img get_img(img_file_path,img_width, img_height)
results np.squeeze(model.predict(classify_img)).astype(np.float64) # 获得预测结果(注意:1.降维2.json中的小数类型为float)
predict_class np.argmax(results) # 获得预测结果中置信度最大值所对应的下标
例如我们导入一张百合的图片下面是输出结果。
注意可能会出现如下错误原因是模型路径包含中文名称只需要把模型放到全英文路径下就行。
DecodeError: utf-8 codec cant decode byte 0xc6 in position 10: invalid continuation byte4 后台flask部署
app flask.Flask(__name__)
idx2class {0:百合,1:党参,2:枸杞,3:槐花,4:金银花}idx2info {}
# 导入药效信息
with open(info.txt, r, encodingUTF-8) as fin:lines fin.readlines()for line in lines:idx int(line.strip().split(:)[0])info line.strip().split(:)[1]idx2info[idx] infoimg_bytes flask.request.form.get(picture) # 获取值
image base64.b64decode(img_bytes)# 编码转换
image Image.open(io.BytesIO(image))
classify_img prepare_image(image,224,224) # 预处理图像
results np.squeeze(model.predict(classify_img)).astype(np.float64) # 获得预测结果(注意:1.降维2.json中的小数类型为float)
predicted_idx np.argmax(results) # 获得预测结果中置信度最大值所对应的下标
score results[predicted_idx]
label_name idx2class[predicted_idx]
label_info idx2info[predicted_idx]5 微信小程序
我们使用一个界面完成图片的上传结果展示等 核心代码将图片传输到后台并且将data结果拿回来再解析里面的各个字段最后将字段展示出来。
wx.request({url: http://127.0.0.1:8080/predict, //本地服务器地址method: POST,header: {content-type: application/x-www-form-urlencoded},data: {picture: that.data.picture,},success: (res){that.setData({class_name: res.data[class_name],prob: res.data[prob],info:res.data[info]})以上就是所有的内容包含了前端后端、模型训练、数据爬取等功能详细咨询完整代码https://docs.qq.com/doc/DWEtRempVZ1NSZHdQ
