基于VGG-16的中草药识别项目代码.zip

# 引入需要的模块 #导入os模块，用于处理操作系统相关的操作，如文件和目录路径操作、环境变量等 import os #导入zipfile模块，用于处理ZIP文件的创建、读取、写入和解压等操作 import zipfile #导入random模块，用于生成随机数 import random #导入json模块，用于处理JSON数据格式的序列化和反序列化 import json #导入paddle模块，PaddlePaddle是一个开源深度学习平台，提供了丰富的深度学习算法和模型 import paddle #导入sys模块，用于访问和操作Python运行时环境的一些变量和函数 import sys #导入numpy模块，并将其重命名为np，用于进行科学计算和数据处理 import numpy as np #从PIL（Python Imaging Library）模块中导入Image类，用于处理图像文件的读取、显示和保存等操作 from PIL import Image #导入matplotlib.pyplot模块，并将其重命名为plt，用于绘制图形和可视化数据 import matplotlib.pyplot as plt #从paddle.io模块中导入Dataset类，用于构建自定义数据集类，继承自Dataset类 from paddle.io import Dataset #设置随机数生成器的种子值，以确保每次运行程序时生成的随机数序列相同 random.seed(200) #定义一个为unzip_data的函数，用于解压缩指定路径下的ZIP文件 def unzip_data(src_path,target_path): #（源文件路径，目标路径） #函数首先检查目标路径下是否存在名为"Chinese Medicine"的文件夹不存在执行以下操作 if(not os.path.isdir(target_path + "Chinese Medicine")): #使用zipfile.ZipFile类创建一个ZIP文件对象z，以只读模式打开源文件 z = zipfile.ZipFile(src_path, 'r') #调用extractall方法将ZIP文件中的所有文件和文件夹解压缩到目标路径下 z.extractall(path=target_path) z.close() #定义了一个名为get_data_list的函数，用于生成数据列表 def get_data_list(target_path, train_list_path, eval_list_path): #函数接收三个参数：target_path（目标路径），train_list_path（训练列表路径）和eval_list_path（评估列表路径） ''' 生成数据列表 ''' # 存放所有类别的信息 class_detail = [] # 获取所有类别保存的文件夹名称 data_list_path = target_path + "Chinese Medicine/" class_dirs = os.listdir(data_list_path) # 总的图像数量 all_class_images = 0 # 存放类别标签 class_label = 0 # 存放类别数目 class_dim = 0 # 存储要写进eval.txt和train.txt中的内容 trainer_list = [] eval_list = [] # 读取每个类别，['baihe', 'gouqi','jinyinhua','huaihua','dangshen'] for class_dir in class_dirs: if class_dir != ".DS_Store": class_dim += 1 # 每个类别的信息 class_detail_list = {} eval_sum = 0 trainer_sum = 0 # 统计每个类别有多少张图片 class_sum = 0 # 获取类别路径 path = data_list_path + class_dir # 获取所有图片 img_paths = os.listdir(path) for img_path in img_paths: # 遍历文件夹下的每个图片 name_path = path + '/' + img_path # 每8张图片取一个做验证数据 if class_sum % 8 == 0: eval_sum += 1 #将图片路径和类别标签添加到eval_list中 eval_list.append(name_path + "\t%d" % class_label + "\n") else: trainer_sum += 1 trainer_list.append(name_path + "\t%d" % class_label + "\n") class_sum += 1 all_class_images += 1 # 说明的json文件的class_detail数据 # 类别名称 class_detail_list['class_name'] = class_dir # 类别标签 class_detail_list['class_label'] = class_label # 该类数据的测试集数目 class_detail_list['class_eval_images'] = eval_sum # 该类数据的训练集数目 class_detail_list['class_trainer_images'] = trainer_sum class_detail.append(class_detail_list) # 初始化标签列表 train_parameters['label_dict'][str(class_label)] = class_dir class_label += 1 # 初始化分类数 train_parameters['class_dim'] = class_dim # 乱序 random.shuffle(eval_list) #将eval_list中的内容写入到eval_list_path指定的文件中 with open(eval_list_path, 'a') as f: for eval_image in eval_list: f.write(eval_image) random.shuffle(trainer_list) #将trainer_list中的内容写入到train_list_path指定的文件中 with open(train_list_path, 'a') as f2: for train_image in trainer_list: f2.write(train_image) # 说明的json文件信息 将目标路径、总图像数量和类别详细信息添加到readjson中 readjson = {} readjson['all_class_name'] = data_list_path # 文件父目录 readjson['all_class_images'] = all_class_images readjson['class_detail'] = class_detail jsons = json.dumps(readjson, sort_keys=True, indent=4, separators=(',', ': ')) #将readjson转换为JSON格式的字符串，并写入到train_parameters['readme_path']指定的文件中 with open(train_parameters['readme_path'], 'w') as f: f.write(jsons) print('生成数据列表完成！') #定义一个字典变量train_parameters，用于存储数据集相关的参数信息 train_parameters = { # 原始数据集路径 "src_path": "/home/aistudio/data/data105575/Chinese Medicine.zip", # 要解压的路径 "target_path": "/home/aistudio/data/", "train_list_path": "/home/aistudio/data/train.txt", "eval_list_path": "/home/aistudio/data/eval.txt", "label_dict": {}, "readme_path": "/home/aistudio/data/readme.json", "class_dim": -1, } # 从train_parameters字典中获取原始数据集路径，并将其赋值给变量src_path src_path = train_parameters['src_path'] target_path = train_parameters['target_path'] train_list_path = train_parameters['train_list_path'] eval_list_path = train_parameters['eval_list_path'] # 调用解压函数解压数据集 unzip_data(src_path, target_path) # 划分训练集与验证集，乱序，生成数据列表 # 每次生成数据列表前，首先清空train.txt和eval.txt with open(train_list_path, 'w') as f: f.seek(0) f.truncate() with open(eval_list_path, 'w') as f: f.seek(0) f.truncate() # 生成数据列表 get_data_list(target_path, train_list_path, eval_list_path) #训练数据加载 train_dataset = dataset('/home/aistudio/data',mode='train') #创建了一个名为train_dataset的训练数据集对象，该对象使用/home/aistudio/data路径下的数据集进行初始化，并将模式设置为train train_loader = paddle.io.DataLoader(train_dataset, batch_size=32, shuffle=True) #使用paddle.io.DataLoader创建一个名为train_loader的数据加载器对象，该对象将train_dataset分成大小为32的批次，并在每个周期内随机打乱数据顺序 #评估数据加载 eval_dataset = dataset('/home/aistudio/data',mode='eval') #创建了一个名为eval_dataset的评估数据集对象，该对象同样使用/home/aistudio/data路径下的数据集进行初始化，并将模式设置为eval eval_loader = paddle.io.DataLoader(eval_dataset, batch_size = 8, shuffle=False) #使用paddle.io.DataLoader创建一个名为eval_loader的数据加载器对象，该对象将eval_dataset分成大小为8的批次，并在每个周期内不随