大作业基于pytorch的颜色识别项目代码（高分项目）.zip

# 基于pytorch的颜色识别 本项目是针对工创比赛做的一次技术更新，希望构建一个神经网络代替传统的hsv颜色识别方法，以提高识别的准确率和鲁棒性。 ## 基本思想 工创物料的识别过程中给于定位点，代码会不断预测这个定位点内的颜色(通过神经网络模型) ## 实现思路 只需要训练一个可以快速分辨**红绿蓝白**的模型即可。然后向模型输入定位点周围的图像，即可预测出定位点周围的颜色(四分类问题) ## 文件夹规范 - datas: 存放数据集，包含 - train: 训练集，包含 - img: 图片 - label: 标签 - test: 测试集，包含 - img: 图片 - label: 标签 - model: 存放网络模型 - utils: 存放工具函数，包含文件 - dataset.py: 数据集类 - detect.py: 识别函数 - train.py: 训练代码 - test.py: 测试代码 - main.py: 主文件 特殊的，在`DataSet2`设计中，允许使用文件夹作为标签，如下所示 - datas: 存放数据集，包含 - train: 训练集，包含 - R: 标签名 - img: 图片 - G: 标签名 - img: 图片 - B: 标签名 - img: 图片 - W: 标签名 - img: 图片 - test: 测试集，包含 - R: 标签名 - img: 图片 - G: 标签名 - img: 图片 - B: 标签名 - img: 图片 - W: 标签名 - img: 图片 - model: 存放网络模型 - utils: 存放工具函数，包含文件 - dataset.py: 数据集类 - detect.py: 识别函数 - train.py: 训练代码 - test.py: 测试代码 - main.py: 主文件 ## 说明 在仓库中会包含一个训练好的模型，这个模型是目前训练的最好的模型，使用的时候将文件名改为`best_model.pth`即可 为了项目有较高的可移植性，对于不同的项目，只需要修改主文件的逻辑即可，这个项目只包含了一个简单的颜色识别模型，可以根据自己的需求修改 ## 使用方法 **注意**: pytorch的安装需要**64位系统**，安装树莓派系统或者Ubuntu的时候需要安装**64位系统**，否则无法安装pytorch 在具有cuda的Windows电脑环境下，建议使用`conda`环境，直接在命令行输入 ```shell conda env create -f requirements.yml ``` 而在Linux或者没有cuda环境的Windows电脑上，可以使用`pip`安装 ```shell pip install -r requirements.txt ``` 主文件中使用了与树莓派远程图传的代码，并且`main.py`部署在树莓派中，在树莓派上运行了`main.py`后，在本地电脑运行Debug.py文件，将查看末尾的注释，启动相关代码，即可在树莓派上运行深度学习，在本地电脑查看图像