图像分类实战项目：基于DenseNet169网络对常见7种小麦叶片病害分类

## 基于迁移学习的 DenseNet 图像分类项目 # 运行顺序，train.py ---> predict.py(无需设定参数) # 项目不需要任何更改！！只需要将自定义数据集按照固定格式摆放好即可！！ # 训练：代码直接运行 train.py 会自动训练，可以完全不用更改，分类的类别个数会自动生成 # 预测：直接运行 predict.py 文件即可，代码会自动预测 inference 文件夹下所以图像 1. 准备好自定义数据集,按照下面格式摆放 data-train---后面跟文件夹，每个文件夹里面存放相同的图像，几个文件夹代表几个分类 data-test 2. 在 `train.py` 脚本中更改下面超参数 # num_classes # 冻结权重，因为数据集的不同，设定为True 网络的效果会更好。设置为False ，可以加快训练，并且精度也不会损失的太多 parser.add_argument('--epochs', type=int, default=100) parser.add_argument('--batch-size', type=int, default=32) parser.add_argument('--lr', type=float, default=0.01) parser.add_argument('--lrf', type=float, default=0.01) parser.add_argument('--freeze-layers', type=bool, default=False) # 是否冻结权重 # TODO 一些问题 预测脚本会重新导入训练集，计算train mean 和train std，这样难免会浪费时间 如果项目在实际环境中运行，可以训练好网络，在predict.py 脚本中，将 num_classes,mean,std 自己根据任务设定好，这样可以减少不必要的计算 model = create_model(num_classes=num_classes) # 根据分类个数更改 mean, std = get_mean_std() # 根据训练日志的 txt 文件更改