5垃圾分类及容器化部署29课件讲解.pptxVIP

项目5垃圾分类及容器化部署

目?录CONTENTS城市垃圾挑战与AI破局数据准备与CNN模型构建FlaskWeb集成开发Docker高级用法精要容器化部署全流程边缘设备落地与总结

城市垃圾挑战与AI破局01

城市垃圾挑战与AI破局01城市垃圾现状北京2022年日产生活垃圾2.47万吨，填埋场空间告急，焚烧带来空气污染。传统人工分拣效率低且误判高，可回收物混入率居高不下，造成资源浪费。02AI技术破局项目引入卷积神经网络替代人眼，实现毫秒级识别，配合Docker容器化技术，将模型与依赖封装为可移植镜像，确保在多场景快速复制，助力城市绿色转型。03项目目标通过AI技术提升垃圾分类效率和准确性，减少人工干预，优化垃圾处理流程，推动资源循环利用，促进城市可持续发展。

三大目标：知识、能力、素质知识目标掌握CNN原理、模型训练保存、Flask集成等知识能力目标图像分类与模型开发、模型训练与优化等素质目标增强环保意识、科学素养与实践技能等

数据准备与CNN模型构建02

五步法构建垃圾图像库数据收集通过网络搜集、实地拍摄等方式，收集厨余、可回收、有害、干垃圾四类图像，为模型训练提供丰富样本。数据清洗与标注去除模糊、重复或不相关的图片，详细标注图片所属类别，确保数据质量，为模型提供准确学习标签。数据预处理对图片进行Resize、归一化等操作，调整大小为128×128，适应模型输入要求，提高训练效率。数据增强通过随机旋转、裁剪、翻转等操作增加数据多样性，提升模型泛化能力，增强对不同场景的适应性。

TrashDataset类与DataLoader01TrashDataset类自定义Dataset类，__init__方法遍历文件夹收集图像路径与标签，__getitem__方法用PIL打开并转RGB，支持transform注入。02DataLoader设置设置batch_size=32、shuffle=True、num_workers=2，实现多线程加载，为模型训练提供稳定数据管道。03数据验证通过打印第1000张图片的尺寸与标签，使用img.show直观验证数据正确性，确保模型输入无误。

归一化与增强可视化归一化处理使用Resize、ToTensor、Normalize组合，对图像进行归一化处理，确保模型输入数据分布一致。增强效果可视化通过SummaryWriter将增强后的图像写入logs，使用TensorBoard实时观察增强效果，验证预处理无偏差。

CNN网络结构代码解析网络结构TrashClassifier继承nn.Module，包含两层卷积、两次最大池化、一层全连接，最终输出6类logits，适合垃圾分类任务。模型可视化通过TensorBoard可视化网络拓扑结构，方便教学演示与结构排错，直观展示模型各层连接关系。

训练脚本与损失曲线训练脚本使用Adam优化器，学习率设为0.001，采用CrossEntropyLoss作为损失函数，进行10个epoch的训练。设备适配自动检测GPU，若可用则将模型与数据移至cuda设备，加速训练过程，提高训练效率。损失记录每步记录loss到TensorBoard，便于实时监控训练过程，及时调整训练参数。

测试与保存要点模型测试在测试集上计算整体准确率，使用model.eval()关闭Dropout，torch.no_grad()节省显存，确保测试结果准确。模型保存提供两种保存方式，仅保存参数利于版本控制，保存整模型方便快速加载，满足不同使用场景需求。

单张预测与可视化预测流程加载pth模型，对单张图片执行Resize、归一化、unsqueeze(0)操作后进行预测，argmax获取类别。结果可视化使用matplotlib显示原图与预测结果，标题突出显示预测类别，直观呈现模型效果。验证一致性验证镜像打包后模型权重与预处理逻辑一致性，确保容器化后推理结果复现。

FlaskWeb集成开发03

Flask框架与路由基础Flask安装通过pipinstallFlask命令安装Flask框架，为Web开发提供基础支持。路由定义使用@app.route(/)装饰器定义路由，返回HelloWorld，实现基本Web功能。调试模式设置debug=True，开启自动重载功能，方便开发调试，提高开发效率。

模板渲染与静态目录模板渲染使用render_template自动查找并渲染templates目录下的HTML模板，展示前端界面。静态资源管理将CSS、JS、图片等静态资源放在static目录，按相对路径引用，保持前后端解耦。

文件上传与本地保存文件上传通过request.files.get获取前端上传的文件，限定允许的文件类型为png、jpg、bmp。本地保存自动创建static/images目录，将上传的文件保