基于卷积神经网络的水果成熟度识别（pytorch框架）【python源码+UI界面+前端界面+功能源码详解】

功能演示：

基于vgg16，resnet50卷积神经网络的水果成熟度识别，可识别苹果，香蕉，草莓，荔枝和芒果的成熟度（pytorch框架）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1ae411C7N5/?spm_id_from=333.999.0.0&vd_source=95b9b70984596ccebdb2780f0601b78b

 （一）简介

 基于卷积神经网络的水果成熟度识别系统是在pytorch框架下实现的，系统中有两个模型可选resnet50模型和VGG16模型，这两个模型可用于模型效果对比。该系统涉及的技术栈有，UI界面：python + pyqt5，前端界面：python + flask 

该项目是在pycharm和anaconda搭建的虚拟环境执行，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

pycharm+anaconda搭建python虚拟环境_哔哩哔哩_bilibili

（二）项目介绍

1. pycharm打开项目界面如下

 

2. 数据集

 

3.GUI界面（技术栈：pyqt5+python）

 

4.前端界面（技术栈：python+flask）

5. 核心代码

1. class MainProcess:
2. def __init__(self, train_path, test_path, model_name):
3. self.train_path = train_path
4. self.test_path = test_path
5. self.model_name = model_name
6. self.device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
8. def main(self, epochs):
9. # 记录训练过程
10. log_file_name = './results/vgg16训练和验证过程.txt'
11. # 记录正常的 print 信息
12. sys.stdout = Logger(log_file_name)
14. print("using {} device.".format(self.device))
15. # 开始训练，记录开始时间
16. begin_time = time()
17. # 加载数据
18. train_loader, validate_loader, class_names, train_num, val_num = self.data_load()
19. print("class_names: ", class_names)
20. train_steps = len(train_loader)
21. val_steps = len(validate_loader)
22. # 加载模型
23. model = self.model_load() # 创建模型
25. # 网络结构可视化
26. x = torch.randn(16, 3, 224, 224) # 随机生成一个输入
27. model_visual_path = 'results/vgg16_visual.onnx' # 模型结构保存路径
28. torch.onnx.export(model, x, model_visual_path) # 将 pytorch 模型以 onnx 格式导出并保存
29. # netron.start(model_visual_path) # 浏览器会自动打开网络结构
31. # load pretrain weights
32. # download url: https://download.pytorch.org/models/vgg16-397923af.pth
33. model_weight_path = "models/vgg16-pre.pth"
34. assert os.path.exists(model_weight_path), "file {} does not exist.".format(model_weight_path)
35. model.load_state_dict(torch.load(model_weight_path, map_location='cpu'))
37. # 更改Vgg16模型的最后一层
38. model.classifier[-1] = nn.Linear(4096, len(class_names), bias=True)
40. # 将模型放入GPU中
41. model.to(self.device)
42. # 定义损失函数
43. loss_function = nn.CrossEntropyLoss()
44. # 定义优化器
45. params = [p for p in model.parameters() if p.requires_grad]
46. optimizer = optim.Adam(params=params, lr=0.0001)
48. train_loss_history, train_acc_history = [], []
49. test_loss_history, test_acc_history = [], []
50. best_acc = 0.0
52. for epoch in range(0, epochs):
53. # 下面是模型训练
54. model.train()
55. running_loss = 0.0
56. train_acc = 0.0
57. train_bar = tqdm(train_loader, file=sys.stdout)
58. # 进来一个batch的数据，计算一次梯度，更新一次网络
59. for step, data in enumerate(train_bar):
60. images, labels = data # 获取图像及对应的真实标签
61. optimizer.zero_grad() # 清空过往梯度
62. outputs = model(images.to(self.device)) # 得到预测的标签
63. train_loss = loss_function(outputs, labels.to(self.device)) # 计算损失
64. train_loss.backward() # 反向传播，计算当前梯度
65. optimizer.step() # 根据梯度更新网络参数
67. # print statistics
68. running_loss += train_loss.item()
69. predict_y = torch.max(outputs, dim=1)[1] # 每行最大值的索引
70. # 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
71. train_acc += torch.eq(predict_y, labels.to(self.device)).sum().item()
72. train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1,
73. epochs,
74. train_loss)
75. # 下面是模型验证
76. model.eval() # 不启用 BatchNormalization 和 Dropout，保证BN和dropout不发生变化
77. val_acc = 0.0 # accumulate accurate number / epoch
78. testing_loss = 0.0
79. with torch.no_grad(): # 张量的计算过程中无需计算梯度
80. val_bar = tqdm(validate_loader, file=sys.stdout)
81. for val_data in val_bar:
82. val_images, val_labels = val_data
83. outputs = model(val_images.to(self.device))
85. val_loss = loss_function(outputs, val_labels.to(self.device)) # 计算损失
86. testing_loss += val_loss.item()
88. predict_y = torch.max(outputs, dim=1)[1] # 每行最大值的索引
89. # 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
90. val_acc += torch.eq(predict_y, val_labels.to(self.device)).sum().item()
92. train_loss = running_loss / train_steps
93. train_accurate = train_acc / train_num
94. test_loss = testing_loss / val_steps
95. val_accurate = val_acc / val_num
97. train_loss_history.append(train_loss)
98. train_acc_history.append(train_accurate)
99. test_loss_history.append(test_loss)
100. test_acc_history.append(val_accurate)
102. print('[epoch %d] train_loss: %.3f val_accuracy: %.3f' %
103. (epoch + 1, train_loss, val_accurate))
104. if val_accurate > best_acc:
105. best_acc = val_accurate
106. torch.save(model.state_dict(), self.model_name)
108. # 记录结束时间
109. end_time = time()
110. run_time = end_time - begin_time
111. print('该循环程序运行时间：', run_time, "s")
112. # 绘制模型训练过程图
113. self.show_loss_acc(train_loss_history, train_acc_history,
114. test_loss_history, test_acc_history)
115. # 画热力图
116. 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和测试集的路径，训练后模型名称和指定训练的轮数即可 

训练结束后可输出以下结果：

a. 训练过程的损失曲线

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. 混淆矩阵 

 

b. 测试过程和精度数值 

（三）资源获取方式

编码不易，源码有偿获取喔！

资源主要包括以下内容：完整的程序代码文件、训练好的模型、数据集、UI界面、前端界面。欢迎大家咨询！