基于Pytorch的迁移学习+集成学习的水果霉变区分的设计与实现

目录解释: gb_fruit:为我们项目所使用的相关数据集,已经分为了train,val,test三个数据集了 picture:为项目运行过程中绘制的一些可视化图片,存储到这里了 src:为整个项目的运行代码 1.runs为tensorboard记录的相关loss和acc以及各层网络内的参数,0~3分别对应四个网络模型,grid就是网络结果的相关参数 可以通过在对应路径下打开命令窗口使用tensorboard --logdir=path,path为目录名,eg:我要看第一个网络的acc和loss则可以 tensorboard --logdir=0 2.model和model_trian都是存储最佳的网络参数,就是我们训练好的模型了,区别在于model的模型是没有用图像增广的,只做了归一化标准化和基础裁剪 model_train做了图像增广.这里存储好,测试时可以直接使用模型进行测试了 3.test_image为网络找的一些相关测视图,用来建议模型的泛用性.配合app.py使用 代码解释: 1.app.py: 模型拓展模块,使用PyQt模型构建应用,可以手动选择图片进行测试与识别 2.dataload.py :为数据导入模块,同时对于数据进行了可视化和预处理,图像增广等 3.trian.py:模型框架训练的相关代码 4.test.py:模型测试的相关代码 5.predict.py:配合app.py使用.用来预测单个图片的类别 6.split.py:分割训练集的为训练集和验证集了,这里已经区分好了,不需要了,为了能够分开对训练集和验证集,对训练集进行单独的图像增广 运行环境: Anaconda:python 3.7 troch:1.10.0+cu113 torchaudio:0.10.0+cu113 torchvision:0.11.0+cu113 显卡GTX1650: 4g