基于深度学习的大豆病虫害识别与防治系统，resnet50，alexnet，mobilenet【pytorch框架，python代码】
本文介绍了一个基于卷积神经网络的大豆病虫害识别与防治系统。系统采用PyTorch框架实现，包含ResNet50、AlexNet和MobileNet三种可选模型，支持模型对比分析。项目使用Python+Pyside6+OpenCV技术栈开发GUI界面，可在PyCharm/Anaconda或VSCode/Anaconda环境下运行。系统功能包括：1）支持自定义数据集训练；2）输出训练过程的准确率/损失
·
更多图像分类、图像识别、目标检测、图像分割，图像检索等项目可从主页查看
功能演示(要看shi pin下面的简介)：
（一）简介
基于卷积神经网络的大豆病虫害识别与防治系统是在pytorch框架下实现的，项目中有3个模型，resnet50，alexnet，mobilenet，3个模型都在项目中，随便用一个模型即可，也可以3个都使用，做模型对比，增加工作量。
该系统涉及的技术：python + pyside6 + opencv ；GUI界面：python + pyside6
该项目是可在pycharm和anaconda搭建的虚拟环境 或者 vscode和anaconda搭建的虚拟环境中运行，
pycharm和anaconda安装和配置可观看教程：
超详细的pycharm+anaconda搭建python虚拟环境_pycharm anaconda环境搭建-CSDN博客
vscode和anaconda安装和配置可观看教程：
保姆级的vscode+anaconda搭建python虚拟环境-CSDN博客
（二）项目介绍
1. 项目结构
2. 数据集
部分数据展示：
3.GUI界面初始界面
4.GUI预测界面
5. 核心代码
class MainProcess:
def __init__(self, train_path, test_path, model_name):
self.train_path = train_path
self.test_path = test_path
self.model_name = model_name
self.device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
def main(self, epochs):
# 记录训练过程
log_file_name = './results/resnet50训练和验证过程.txt'
# 记录正常的 print 信息
sys.stdout = Logger(log_file_name)
# print("using {} device.".format(self.device))
# 开始训练，记录开始时间
begin_time = time()
# 加载数据
train_loader, validate_loader, class_names, train_num, val_num = self.data_load()
print("class_names: ", class_names)
train_steps = len(train_loader) # 训练集批次数量
val_steps = len(validate_loader) # 验证集批次数量
# 加载模型
model = self.model_load() # 创建模型
# 网络结构可视化
x = torch.randn(16, 3, 224, 224) # 随机生成一个输入
model_visual_path = 'results/resnet50_visual.onnx' # 模型结构保存路径
torch.onnx.export(model, x, model_visual_path) # 将 pytorch 模型以 onnx 格式导出并保存
# netron.start(model_visual_path) # 浏览器会自动打开网络结构
# load pretrain weights
model_weight_path = "models/resnet50-pre.pth" # 预训练模型权重路径
assert os.path.exists(model_weight_path), "file {} does not exist.".format(model_weight_path) # 权重文件是否存在
model.load_state_dict(torch.load(model_weight_path, map_location='cpu')) # 加载预训练模型权重
# change fc layer structure
in_channel = model.fc.in_features # 获取fc层输入通道数
model.fc = nn.Linear(in_channel, len(class_names)) # 修改fc层结构
# 将模型放入GPU中或CPU中
model.to(self.device)
# 定义损失函数，这里采用交叉熵损失函数
loss_function = nn.CrossEntropyLoss()
# 定义优化器
params = [p for p in model.parameters() if p.requires_grad] # 过滤不需要梯度更新的参数
optimizer = optim.Adam(params=params, lr=0.0001) # 优化器，这里采用Adam优化器，初始学习率为0.0001
train_loss_history, train_acc_history = [], [] # 记录训练过程的损失和准确率
test_loss_history, test_acc_history = [], [] # 记录验证过程的损失和准确率
best_acc = 0.0 # 记录最佳准确率
for epoch in range(0, epochs): # 训练epochs次
# 下面是模型训练
model.train() # 启用 BatchNormalization 和 Dropout
running_loss = 0.0
train_acc = 0.0
train_bar = tqdm(train_loader, file=sys.stdout) # 进度条
# 进来一个batch的数据，计算一次梯度，更新一次网络
for step, data in enumerate(train_bar): # 遍历训练集数据
images, labels = data # 获取图像及对应的真实标签
optimizer.zero_grad() # 清空过往梯度
outputs = model(images.to(self.device)) # 得到预测的标签
train_loss = loss_function(outputs, labels.to(self.device)) # 计算损失
train_loss.backward() # 反向传播，计算当前梯度
optimizer.step() # 根据梯度更新网络参数
# print statistics
running_loss += train_loss.item() # 累加损失
predict_y = torch.max(outputs, dim=1)[1] # 每行最大值的索引
# torch.eq()进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False
train_acc += torch.eq(predict_y, labels.to(self.device)).sum().item() # 计算准确率
train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1,
epochs,
train_loss) # 更新进度条
# 下面是模型验证
model.eval() # 不启用 BatchNormalization 和 Dropout，保证BN和dropout不发生变化
val_acc = 0.0 # accumulate accurate number / epoch
testing_loss = 0.0
with torch.no_grad(): # 张量的计算过程中无需计算梯度
val_bar = tqdm(validate_loader, file=sys.stdout) # 进度条
for val_data in val_bar: # 遍历验证集数据
val_images, val_labels = val_data # 取出图像和标签
outputs = model(val_images.to(self.device)) # 模型推理
val_loss = loss_function(outputs, val_labels.to(self.device)) # 计算损失
testing_loss += val_loss.item() # 累加损失
predict_y = torch.max(outputs, dim=1)[1] # 每行最大值的索引
# torch.eq()进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False
val_acc += torch.eq(predict_y, val_labels.to(self.device)).sum().item() # 计算准确率
train_loss = running_loss / train_steps # 计算平均损失
train_accurate = train_acc / train_num # 计算平均准确率
test_loss = testing_loss / val_steps # 计算平均损失
val_accurate = val_acc / val_num # 计算平均准确率
train_loss_history.append(train_loss)
train_acc_history.append(train_accurate)
test_loss_history.append(test_loss)
test_acc_history.append(val_accurate)
print('[epoch %d] train_loss: %.3f val_accuracy: %.3f' %
(epoch + 1, train_loss, val_accurate))
if val_accurate > best_acc:
best_acc = val_accurate
torch.save(model.state_dict(), self.model_name) # 保存最佳模型
# 记录结束时间
end_time = time()
run_time = end_time - begin_time
print('该循环程序运行时间：', run_time, "s")
# 数据保存
str_train_loss_history = ','.join([str(i) for i in train_loss_history])
str_train_acc_history = ','.join([str(i) for i in train_acc_history])
str_test_loss_history = ','.join([str(i) for i in test_loss_history])
str_test_acc_history = ','.join([str(i) for i in test_acc_history])
with open('results/resnet50_loss_acc.txt', 'w') as f:
f.write("train_loss_history: " + str_train_loss_history + "\n")
f.write("train_acc_history: " + str_train_acc_history + "\n")
f.write("test_loss_history: " + str_test_loss_history + "\n")
f.write("test_acc_history: " + str_test_acc_history + "\n")
# 绘制模型训练过程图
self.show_loss_acc(train_loss_history, train_acc_history,
test_loss_history, test_acc_history)
# 画热力图
test_real_labels, test_pre_labels = self.heatmaps(model, validate_loader, class_names)
# 计算混淆矩阵
self.calculate_confusion_matrix(test_real_labels, test_pre_labels, class_names)
该系统可以训练自己的数据集，训练过程也比较简单，只需指定自己数据集中训练集、验证集、测试集的路径，指定所用的模型和指定训练的轮数，然后运行项目中的train.py和test.py即可
训练和测试结束后可输出以下结果：
a. 训练过程的准确率曲线和损失曲线
b. 模型训练过程记录，模型每一轮训练的损失和精度数值记录
c. 模型结构
模型评估可输出：
a. 分类混淆矩阵
b. 准确率、精确率、召回率、F1值
其他的输出：
a. 模型特征图
b. 热力图
c. 模型参数量对比
（三）总结
以上即为整个项目的介绍，整个项目主要包括以下内容：完整的程序代码文件、训练好的模型、数据集、GUI界面和各种模型指标图表等。
整个项目包含全部资料，一步到位，拿来就用，省心省力。
项目运行过程如出现问题，请及时沟通！
火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。
更多推荐
32
0- 0
已为社区贡献1条内容
所有评论(0)