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)：
鲜茶叶等级识别系统 resnet50，vgg16，resnet34 深度学习 卷积神经网络【pytorch框架，python源码】_哔哩哔哩_bilibili
（一）简介
【摘要】该项目基于PyTorch框架开发了一个鲜茶叶等级识别系统，提供ResNet50、VGG16、ResNet34三种卷积神经网络模型可选。系统包含GUI（PySide6）和Web（Flask+Vue）双界面，支持图像分类、模型训练与验证功能。核心功能包括：1）完整的训练流程，输出准确率曲线、损失曲线和分类混淆矩阵；2）可视化模型结构与热力图；3）提供模型评估指标（准确率、精确率等）。项目附带完整代码、预训练模型和数据集，支持在PyCharm/VSCode+Anaconda环境下运行，适用于深度学习图像分类任务的快速实现与教学演示。
基于卷积神经网络的鲜茶叶等级识别、分级系统是在pytorch框架下实现的，项目中有3个模型，resnet50，vgg16，resnet34，3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 + flask；其中，GUI界面：python + pyside6，Web前端界面：python flask + vue + css等，两个界面的功能相同，随便用一个就行。
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配置anaconda虚拟环境-CSDN博客
vscode和anaconda安装和配置可观看教程：
超详细的vscode+anaconda搭建python虚拟环境_vscode anaconda-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. Web端初始界面
6.Web端预测界面
7. 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/vgg16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) val_steps = len(validate_loader) # 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/vgg16_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 # download url: https://download.pytorch.org/models/vgg16-397923af.pth model_weight_path = "models/vgg16-pre.pth" assert os.path.exists(model_weight_path), "file {} does not exist.".format(model_weight_path) model.load_state_dict(torch.load(model_weight_path, map_location='cpu')) # 更改Vgg16模型的最后一层 model.classifier[-1] = nn.Linear(4096, len(class_names), bias=True) # 将模型放入GPU中或CPU中 model.to(self.device) # 定义损失函数 loss_function = nn.CrossEntropyLoss() # 定义优化器 params = [p for p in model.parameters() if p.requires_grad] optimizer = optim.Adam(params=params, lr=0.0001) train_loss_history, train_acc_history = [], [] test_loss_history, test_acc_history = [], [] best_acc = 0.0 for epoch in range(0, epochs): # 下面是模型训练 model.train() running_loss = 0.0 train_acc = 0.0 train_bar = tqdm(train_loader, file=sys.stdout) # 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): 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() 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() train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1, epochs, train_loss) # 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) for val_data in val_bar: val_images, val_labels = val_data outputs = model(val_images.to(self.device)) val_loss = loss_function(outputs, val_labels.to(self.device)) # 计算损失 testing_loss += val_loss.item() 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() train_loss = running_loss / train_steps train_accurate = train_acc / train_num test_loss = testing_loss / val_steps val_accurate = val_acc / val_num 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) # 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") # 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 self.heatmaps(model, validate_loader, 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、UI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！
