基于CNN的猫狗智能识别.zip

# Cat Vs Dog **数据集百度云链接：[https://pan.baidu.com/s/1qsvmq3uwqr79ykI5FblV8g](https://pan.baidu.com/s/1qsvmq3uwqr79ykI5FblV8g)** **提取码：yun5** **训练好的模型百度云链接：[https://pan.baidu.com/s/1FNs_WPPVJbnVPW8auHypCw](https://pan.baidu.com/s/1FNs_WPPVJbnVPW8auHypCw)** **提取码：wylv** **B 站项目介绍视频地址：[https://www.bilibili.com/video/av50237864/](https://www.bilibili.com/video/av50237864/)** ## 项目简介 - **该项目是基于 Keras 的猫狗识别 Web 应用。** - **数据集是来自 Kaggle 上的猫狗大赛数据集，其中训练集 train 包含了猫的图片 12500 张以及狗的图片 12500 张，测试集 test 包含了猫狗的图片 12500 张。本项目采用了基于 Keras 的自己构造的 cnn 网络训练以及 Keras 中的 VGG16 卷积神经网络模型来进行训练数据，比较发现自己构造的 cnn 网络训练数据得到的模型不如 VGG16 训练数据得到的模型准确率高，自己训练的模型准确率在 70%-80% 之间，而 VGG16 的准确率在 95% 以上。** - **最后还用了 Python 的 Django 框架简单的做了个展示页面，其中包括了本人及项目介绍图片的上传及预测结果展示的小功能。** ## 项目实现 ### 所用技术 - Keras 搭建卷积神经网络 - Keras VGG16 搭建自己的卷积神经网络 - OpenCV 图像识别 - Django 框架 - Python 文件操作 ### 项目流程图  --- ## cnn 网络 ### 网络图片展示  ### 网络文字代码解释 **如上图所示，分别有四个输入不同的 `卷积层-->卷积层-->激活层-->Max池化层 `， 然后用 `Flatten 层` 是将图像展平成一维的列表，然后连接上两组 `Dense 层（全连接层）--> Dropout 层`，最后是一个 `Dense层` 进行最后的二分类。** ```python from keras.models import Sequential from keras.layers import Conv2D from keras.layers import MaxPooling2D from keras.layers import Flatten from keras.layers import Dense ``` > 第一行导入 Sequential 来初始化网络模型作为一个序列化网络。一般有两种基本方法去初始化网络，要么是各种层的序列，要么是用图的方式。 > > 第二行 引入 Conv2D 来完成卷积操作。我们这里使用的图像基本是 2 维数组，所以使用 Conv2D，当处理视频文件时要使用 Conv3D, 第三维是时间。 > > 第三行 引入 MaxPooling2D 用作池化操作。使用最大池化来保留感兴趣区域中的最大像素值。还有其他池化操作例如 MinPooling, MeanPooling. > > 第四行引入扁平操作，用来转化所有 2 维数组到单个长的连续线性向量。 > > 第五行引入 Dense 层，用来完成网络的全连接。 #### **现在创建一个序列的 object** ###### 代码展示： ```python ROWS = 128 COLS = 128 CHANNELS = 3 def catdog(): model = Sequential() model.add(layers.Conv2D(32, (3, 3), padding="same", input_shape=(3, ROWS, COLS), activation='relu')) model.add(layers.Conv2D(32, (3, 3), padding="same", activation='relu')) model.add(layers.MaxPooling2D(pool_size=(2, 2), data_format="channels_first")) model.add(layers.Conv2D(64, (3, 3), padding="same", activation='relu')) model.add(layers.Conv2D(64, (3, 3), padding="same", activation='relu')) model.add(layers.MaxPooling2D(pool_size=(2, 2), data_format="channels_first")) model.add(layers.Conv2D(128, (3, 3), padding="same", activation='relu')) model.add(layers.Conv2D(128, (3, 3), padding="same", activation='relu')) model.add(layers.MaxPooling2D(pool_size=(2, 2), data_format="channels_first")) model.add(layers.Conv2D(256, (3, 3), padding="same", activation='relu')) model.add(layers.Conv2D(256, (3, 3), padding="same", activation='relu')) model.add(layers.MaxPooling2D(pool_size=(2, 2), data_format="channels_first")) model.add(layers.Flatten()) model.add(layers.Dense(256, activation='relu')) model.add(layers.Dropout(0.5)) model.add(layers.Dense(256, activation='relu')) model.add(layers.Dropout(0.5)) model.add(layers.Dense(1)) model.add(Activation('sigmoid')) model.compile(loss=objective, optimizer=optimizer, metrics=['accuracy']) model.summary() return model ``` ##### 解释： > `model = Sequential()` > 增加第一个卷积操作： > > `model.add(layers.Conv2D(32, (3, 3), padding="same", input_shape=(3, ROWS, COLS), activation='relu'))` > > 网络序列化的意思是我们可以通过 add 增加每一层到 model 上。Conv2D 函数包含 4 个参数，第一个是卷积核的个数也就是 32， 第二个参数时卷积核的大小也就是（3，3），第三个参数是输入大小和图像类型（RGB 还是黑白图）这里表示卷积网络输入 (128,128) 分辨率的图像，3 表示 RGB 图像。第四个参数为使用的激活函数。 > > 接下来需要完成池化操作在相关特征图（由卷积操作之后产生的 32 个 feature maps）上。池化操作主要意图是减少图像大小。关键就是我们试图为下一层减少总共的节点数。 > > `model.add(layers.MaxPooling2D(pool_size=(2, 2), data_format="channels_first"))` > 我们使用 2*2 矩阵，最小化像素损失并得到特征定位的精确区域。我们在不损失精度时减少模型复杂度。 > > 接下来转化所有池化后图像到一个连续向量通过 Flattening 函数，将 2 维矩阵转化到一维向量。 > > `model.add(layers.Flatten())` > > 然后创建全连接层。扁平后的节点将作为输入连接到全连接层。 > > `model.add(layers.Dense(256, activation='relu'))` > > Dense 函数创建一个全连接层，”units” 表示该层中定义的节点数，这些单元值一般在输入节点数和输出节点数之间，但只能通过实验来试出最好的值。 > > `model.add(Activation('sigmoid'))` > > 最后初始化输出层，其只包含一个节点，对于二元分类来说。 > > model.compile(loss=objective, optimizer=optimizer, metrics=['accuracy']) > > 现在完成了建立 CNN 模型，需要编译它。 ## 项目展示 ### 前端展示 - **项目主页**  - **上传图片**  - **查看结果**  ### 后台展示  ## 具体步骤 ### 1.创建数据集 > 因为电脑性能的原因，只选择了训练集之中的 2000 张图片，以便我的电脑能够高效跑起来。 > > 训练数据集分割成训练集、验证集、测试集，形成如下的 data 文件夹： > >  ```python import os, shutil # 数据集解压之后的目录 original_dataset_dir = 'data/train' # 存放小数据集的目录 base_dir = 'data/small_data' # 建立训练集、验证集、测试集目录 train_dir = os.path.join(base_dir, 'train') # os.mkdir(train_dir) validation_dir = os.path.join(base_dir, 'validation') # os.mkdir(validation_dir) test_dir = os.path.join(base_dir, 'test') # os.mkdir(test_dir) # 将猫狗照片按照训练、验证、测试分类 train_cats_dir = os.path.join(train_dir, 'cats') os.mkdir(train_cats_dir) train_dogs_dir = os.path.join(train_dir, 'dogs') os.mkdir(train_dogs_dir) validation_cats_dir = os.path.join(validation_dir, 'cats') os.mkdir(validation_cats_dir) validation_dogs_dir = os.path.join(validation_dir, 'dogs') os.mkdir(validation_dogs_dir) te