Python基于卷积神经网络CNN模型和VGG16模型进行图片识别项目实战

本文涉及的产品
模型训练 PAI-DLC,100CU*H 3个月
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
交互式建模 PAI-DSW,每月250计算时 3个月
简介: Python基于卷积神经网络CNN模型和VGG16模型进行图片识别项目实战

说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取。

image.png

image.png

1.项目背景

深度学习(Deep Learning,DL)是机器学习研究中的一个新的领域,源自人工神经网络, 其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释图像、声音、文本等数据。深度学习属于无监督学习,通过组合低层特征形成更加抽象的高层特征或属性特征,以发现数据的分布式特征表示,学习更有用的特征,从而最终提高分类或预测的准确性。卷积神经网络(CNN)是深度学习框架的一种。CNN 的特征检测层通过训练数据进行学习,所以在使用时,避免了显式的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习。CNN 以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性, 特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

卷积神经网络(CNN)是一个多层的神经网络,它的基本结构就是输入层、卷积层(conv)、子采样层(pool-ing)、全连接层、输出层(分类器)。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下

数据详情如下(部分展示):

image.png

上图为六种类型的图片。

image.png

上图为建筑类的图片,部分作为展示。

3.数据预处理

3.1 加载和读取数据

关键代码:

image.png

4.探索性数据分析

4.1.检查目标变量的分布

用Pandas工具进行统计,输出结果如下:

image.png

图形化展示如下:

image.png

从上图可以清晰地看到每种类型图片的数量分布。

4.2.训练集图片类别饼图

image.png

通过上图可以看到六种类型的图片占比基本一致。

4.3.随机展示图片

image.png

上图为随机展示的一张图片。

image.png

上图为随机展示的25张图片。

5.特征工程

5.1.数据标准化

关键代码如下:

image.png

把训练集和测试集图片数据进行标准化。

6.构建模型

主要使用使用CNN算法和VGG16网络,用于目标分类。 

6.1建立简单的CNN模型

编号

模型名称

参数

1

CNN分类模型

optimizer='adam'

2

loss='sparse_categorical_crossentropy'

3

metrics=['acc']

关键代码如下:

image.png

6.1.1.绘制准确率和损失曲线图

image.png

关键代码如下:

image.png

6.1.2.模型评估

模型损失:

image.png

随机绘图:针对预测的结果进行随机绘图。

image.png

针对分错类的图片进行绘图:随机绘制25张图片。

image.png

混淆矩阵:

image.png

关键代码:

image.png

6.2.应用VGG16模型

关键代码:

image.png

6.2.1.PCA降维

image.png

关键代码:

image.png

6.2.2.绘制准确率和损失曲线图

image.png

6.2.3.最终模型准确率

准确率:89%

关键代码如下:

image.png

7.结论与展望

基于深度学习的研究已经成为当今机器智能领域的热门方向,越来越多的科研人员将目光锁定在深度学习的研究和应用上。而卷积神经网络(CNN)作为一种受欢迎的深度学习框架,在图像识别和图像分类方面的优势也越来越明显。

综上所述,本文采用了CNN和VGG模型,最终证明了我们提出的模型效果良好。准确率达到了89%,可用于日常生活中进行建模预测,以提高价值。

# 本次机器学习项目实战所需的资料,项目资源如下:
 
# 项目说明:
 
# 获取方式一:
 
# 项目实战合集导航:
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二:
 
链接:https://pan.baidu.com/s/1IVvenC0-rAbCD8qcvqaBzw 
提取码:weha
相关实践学习
使用PAI-EAS一键部署ChatGLM及LangChain应用
本场景中主要介绍如何使用模型在线服务(PAI-EAS)部署ChatGLM的AI-Web应用以及启动WebUI进行模型推理,并通过LangChain集成自己的业务数据。
机器学习概览及常见算法
机器学习(Machine Learning, ML)是人工智能的核心,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,它是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。 本课程将带你入门机器学习,掌握机器学习的概念和常用的算法。
相关文章
|
3月前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品消费模式分析的深度学习模型
使用Python实现智能食品消费模式分析的深度学习模型
158 70
|
2月前
|
数据采集 数据可视化 数据挖掘
金融波动率的多模型建模研究:GARCH族与HAR模型的Python实现与对比分析
本文探讨了金融资产波动率建模中的三种主流方法:GARCH、GJR-GARCH和HAR模型,基于SPY的实际交易数据进行实证分析。GARCH模型捕捉波动率聚类特征,GJR-GARCH引入杠杆效应,HAR整合多时间尺度波动率信息。通过Python实现模型估计与性能比较,展示了各模型在风险管理、衍生品定价等领域的应用优势。
324 66
金融波动率的多模型建模研究:GARCH族与HAR模型的Python实现与对比分析
|
19天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
77 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
|
3月前
|
机器学习/深度学习 数据可视化 TensorFlow
使用Python实现深度学习模型的分布式训练
使用Python实现深度学习模型的分布式训练
203 73
|
3月前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品消费习惯分析的深度学习模型
使用Python实现智能食品消费习惯分析的深度学习模型
192 68
|
3月前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
231 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
3月前
|
机器学习/深度学习 数据采集 数据挖掘
使用Python实现智能食品消费市场分析的深度学习模型
使用Python实现智能食品消费市场分析的深度学习模型
166 36
|
3月前
|
机器学习/深度学习 数据采集 供应链
使用Python实现智能食品消费需求分析的深度学习模型
使用Python实现智能食品消费需求分析的深度学习模型
103 21
|
3月前
|
机器学习/深度学习 数据采集 搜索推荐
使用Python实现智能食品消费偏好预测的深度学习模型
使用Python实现智能食品消费偏好预测的深度学习模型
133 23
|
3月前
|
机器学习/深度学习 数据采集 数据挖掘
使用Python实现智能食品消费习惯预测的深度学习模型
使用Python实现智能食品消费习惯预测的深度学习模型
176 19

热门文章

最新文章