ResNet18多分类实战：花卉识别从0到1，云端全包-编程阁

ResNet18多分类实战：花卉识别从0到1，云端全包

引言

想象一下，你精心照料的花园里开满了各式各样的花朵，却总是叫不上它们的名字。作为园艺爱好者，你是否希望有个"植物小助手"能帮你快速识别这些花卉？今天我们就用AI技术，从零开始打造一个花卉识别系统。

ResNet18是一个轻量级的深度学习模型，特别适合像花卉识别这样的图像分类任务。它就像一个有经验的园丁，能通过观察花朵的形状、颜色等特征，准确告诉你这是什么花。整个过程我们会在云端完成，不需要你购买昂贵的显卡设备，也不需要复杂的代码编写。

学完这篇教程，你将能够：

理解ResNet18模型的基本原理
准备自己的花卉数据集
训练一个专属的花卉识别模型
部署模型并实际使用

1. 环境准备：云端GPU一键配置

首先我们需要一个强大的计算环境。花卉识别需要处理大量图像数据，普通电脑可能会力不从心。这里我们使用CSDN星图镜像广场提供的PyTorch环境，它已经预装了所有必要的工具。

登录CSDN星图镜像广场
搜索"PyTorch"基础镜像
选择配置：建议使用至少16GB内存和NVIDIA T4显卡
点击"一键部署"

部署完成后，你会获得一个云端工作环境，所有软件都已预装好，包括： - Python 3.8+ - PyTorch 1.12+ - torchvision - CUDA 11.3

验证环境是否正常：

python -c "import torch; print(torch.cuda.is_available())"

如果输出True，说明GPU环境已经准备就绪。

2. 数据准备：构建你的花卉图库

好的模型需要好的数据。我们不需要成千上万的图片，但需要多样化的样本。建议每种花准备50-100张不同角度的照片。

2.1 数据收集技巧

拍摄时间：选择不同时段（早晨、中午、傍晚）的照片
拍摄角度：正面、侧面、俯视等多角度
背景变化：纯色背景、自然背景都要有
光线条件：顺光、逆光、侧光等不同光照

2.2 数据整理规范

创建一个规范的文件夹结构：

flowers_dataset/ ├── daisy/ │ ├── daisy1.jpg │ ├── daisy2.jpg │ └── ... ├── rose/ │ ├── rose1.jpg │ ├── rose2.jpg │ └── ... └── tulip/ ├── tulip1.jpg ├── tulip2.jpg └── ...

每种花一个文件夹，文件夹名就是类别名。图片建议统一调整为224x224像素，这是ResNet18的标准输入尺寸。

2.3 数据增强技巧

为了提升模型泛化能力，我们可以使用数据增强：

from torchvision import transforms train_transform = transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])

这些变换会让模型看到更多样的数据，提高识别准确率。

3. 模型训练：让AI学习花卉特征

现在进入核心环节——训练我们的花卉识别模型。

3.1 加载预训练模型

ResNet18已经在ImageNet数据集上预训练过，我们可以直接使用这些学到的通用特征：

import torchvision.models as models model = models.resnet18(pretrained=True) num_classes = 5 # 假设我们有5种花 model.fc = torch.nn.Linear(model.fc.in_features, num_classes)

3.2 设置训练参数

关键参数说明：

import torch.optim as optim criterion = torch.nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)

lr=0.001：学习率，控制模型学习速度
momentum=0.9：帮助加速训练
step_size=7：每7个epoch降低一次学习率

3.3 训练循环

完整的训练代码框架：

for epoch in range(25): # 训练25轮 model.train() running_loss = 0.0 for inputs, labels in train_loader: inputs = inputs.to(device) labels = labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() scheduler.step() print(f'Epoch {epoch+1}, Loss: {running_loss/len(train_loader):.4f}')

训练过程中，损失值应该逐渐下降。如果发现波动很大，可以尝试减小学习率。

4. 模型评估与优化

训练完成后，我们需要评估模型的表现。

4.1 测试准确率

correct = 0 total = 0 model.eval() with torch.no_grad(): for inputs, labels in test_loader: inputs = inputs.to(device) labels = labels.to(device) outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Accuracy: {100 * correct / total:.2f}%')

4.2 常见问题解决

如果准确率不理想，可以尝试：

增加数据量：特别是识别错误的类别
调整学习率：尝试0.01、0.001、0.0001等不同值
延长训练时间：增加epoch数量
修改模型结构：尝试更深的ResNet34或ResNet50

5. 模型部署与应用

训练好的模型可以保存下来供后续使用：

torch.save(model.state_dict(), 'flower_resnet18.pth')

使用时加载模型：

model = models.resnet18(pretrained=False) model.fc = torch.nn.Linear(model.fc.in_features, num_classes) model.load_state_dict(torch.load('flower_resnet18.pth')) model.eval()

5.1 制作简易识别应用

用Flask搭建一个简单的Web应用：

from flask import Flask, request, jsonify from PIL import Image import io app = Flask(__name__) @app.route('/predict', methods=['POST']) def predict(): if 'file' not in request.files: return jsonify({'error': 'no file uploaded'}) file = request.files['file'] image = Image.open(io.BytesIO(file.read())) image = test_transform(image).unsqueeze(0) with torch.no_grad(): output = model(image) _, predicted = torch.max(output, 1) return jsonify({'class': class_names[predicted.item()]}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)

这样你就可以通过手机拍照上传，实时识别花卉种类了。