计算机视觉应用--模型结果评估.pptx

模型结果评估5.4

5.4模型结果评估模型训练结束后,需要在测试集中评估训练好的网络模型。对于测试的图像,从网上随机下载其中一种花卉图像进行测试,避免使用训练集和验证集的图像数据,将该图像传入网络模型并对其进行分类验证。模型结果评估代码如下:

5.4模型结果评估

5.4模型结果评估(1)加载测试图像所在的路径,并判断测试图像的路径是否存在,若存在,则读取图像进行显示;考虑到测试图像的尺寸大小不一,统一调整为224×224后输入模型进行预测,通过torch.unsqueeze()对数据维度进行扩充。

5.4模型结果评估(2)接下来读取class_indices.json的内容。这段代码是用来加载之前保存的json文件的,该文件包含了类别和对应的索引。代码首先检查文件是否存在,然后使用Python内置的json库打开该文件并将其内容加载为一个Python字典对象。这个字典对象被称为class_indict,其中每个键都是一个类别名称,而每个值则是该类别对应的整数索引。该字典对象可以在模型训练之后用于将模型的预测输出转换为类别标签。

5.4模型结果评估(3)创建模型结构,搜索训练好的模型权重的路径weights_path,并判断加载权重的路径是否存在,通过torch.load()加载训练好的模型进行类别预测,显示预测的类别及准确度。

5.4模型结果评估

图5-15~图5-19为本模型所预测的结果,可以看出本模型对雏菊、向日葵、郁金香的预测准确率比较高,主要是这3种花卉的形态比较固定,经过训练能比较准确地识别。在识别玫瑰和蒲公英的准确率上有所降低,主要是因为这两种花卉的形态善变,花卉目标小,容易误识别。可以通过数据增强的方法增加这两种花卉的数据集,让网络学习到更多的细节信息,从而提高预测准确率。5.4模型结果评估

5.4模型结果评估

5.4模型结果评估

5.4模型结果评估

5.4模型结果评估

本章介绍了利用计算机视觉技术实现花卉识别的研究。其中,主要介绍了基于ResNet的花卉分类任务。ResNet是一个经典的深度卷积神经网络结构,具有较好的性能和可拓展性。本章详细介绍了如何使用ResNet进行花卉分类任务,包括数据预处理、模型搭建、模型训练和模型测试等过程。具体来说,本章涉及了图像数据增强、模型参数初始化、模型编译、模型训练和模型测试等内容。本章小结

在模型训练过程中,使用了交叉熵损失函数和随机梯度下降算法来优化模型。总之,本章通过实际案例介绍了如何使用ResNet18进行图像分类任务,在园林植物识别、农业植物病虫害防治、医药植物识别等领域具有重要意义。综合来看,本章的内容涵盖了深度学习、卷积神经网络及图像分类任务等多个领域的知识点,对于进一步探索植物图像分类识别技术具有一定的参考价值。本章小结

5-1基于深度学习网络的图像分类主要存在哪些优势?5-2ResNet网络的主要创新点是什么?5-3你所了解的其他分类网络有哪些(至少举一例)?习题