基于卷积神经网络（CNN）的猫狗图像分类系统实现
CNN模型（来自慕课网）：
训练数据集
链接：https://pan.baidu.com/s/1Y0Uszlh8bo5iC0OV1MRiow?pwd=data
提取码：data
数据集自己做分割，可以4000张图片为一个测试集和训练集，我这里演示的是4000张为训练集和测试集。你们可以根据自己的要求来进行修改以达到更好的目的。（测试了一下还是建议全部都为训练集，测试集自己找一下）
1.目的
基于data数据，根据提供的结构，建立CNN模型，识别图片中的猫/狗，计算预测准确率：
1.识别图片中的猫/狗、计算data测试数据预测准确率
2.从网站下载猫/狗图片，对其进行预测
2.训练模型
1.准备数据
from tensorflow.keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
training_set = train_datagen.flow_from_directory('./data_小',target_size=(50,50),batch_size=32,class_mode='binary')
结果/解释
2.确认输入数据标签
training_set.class_indices
结果/解释
3.准备CNN model
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dense
model = Sequential()
model.add(Conv2D(32,(3,3),input_shape=(50,50,3),activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Conv2D(32,(3,3),activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(units=128,activation='relu'))
model.add(Dense(units=1,activation='sigmoid'))
4.使用优化器
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
model.summary()
结果/解释
5.训练模型
model.fit(training_set,epochs=25)
结果/解释：这里因为数据量较小所以就训练25轮，可以看到丢失率一直在降低，可以调高训练轮数以提高准确率。
至此，模型已经训练完毕了。
3.查看模型准确率
1.查看训练集准确率
accuracy_train = model.evaluate(training_set)
print(accuracy_train)
结果/解释：可以看到准确率还是挺高的
2.查看测试数据就准确率
test_set = train_datagen.flow_from_directory('./test_小',target_size=(50,50),batch_size=32,class_mode='binary')
accuracy_test = model.evaluate(test_set)
print(accuracy_test)
结果/解释：因为我这个测试集也是从那里面拿的，你们可以自己重新分割一下，或者找其他数据集来测试。
4.实际测试
1.网上下载图片实测一下：
import numpy as np
from keras.preprocessing.image import load_img, img_to_array
pic_dog = 'dog.jpg'
pic_dog = load_img(pic_dog,target_size=(50,50))
pic_dog = img_to_array(pic_dog)
pic_dog = pic_dog/255
pic_dog = pic_dog.reshape(1,50,50,3)
result_11 = model.predict(pic_dog)
result_12 = (result_11 > 0.5).astype(int)
print(result_12)
pic_cat = 'cat.jpg'
pic_cat = load_img(pic_cat,target_size=(50,50))
pic_cat = img_to_array(pic_cat)
pic_cat = pic_cat/255
pic_cat = pic_cat.reshape(1,50,50,3)
result_21 = model.predict(pic_cat)
result_22 = (result_21 > 0.5).astype(int)
print(result_22)
training_set.class_indices
结果/解释：这个结果还是挺不错的
2.进行图片批量检索识别
import matplotlib as mlp
font2 = {'family' : 'SimHei',
'weight' : 'normal',
'size' : 20,
}
mlp.rcParams['font.family'] = 'SimHei'
mlp.rcParams['axes.unicode_minus'] = False
from matplotlib import pyplot as plt
from matplotlib.image import imread
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.models import load_model
import numpy as np
a = [i for i in range(1,10)]
fig = plt.figure(figsize=(10,10))
for i in a:
img_name = str(i)+'.jpg'
img_ori = load_img(img_name, target_size=(50, 50))
img = img_to_array(img_ori)
img = img.astype('float32')/255
img = img.reshape(1,50,50,3)
result1 = model.predict(img)
result = (result1 > 0.5).astype(int)
img_ori = load_img(img_name, target_size=(250, 250))
plt.subplot(3,3,i)
plt.imshow(img_ori)
plt.title('预测为：狗狗' if result[0] == 1 else '预测为：猫咪')
plt.show()
结果/解释：这个结果也还是挺准确的，毕竟没有进行旋转和平移等操作，是直接在原图上进行操作的。
5.总结：
在本文中，我们深入探讨了如何使用卷积神经网络（CNN）来构建一个猫狗图像分类系统。这个系统能够自动地从输入图像中识别出是猫还是狗，展示了深度学习在图像处理领域的强大能力。
本文通过构建基于卷积神经网络的猫狗图像分类系统，展示了深度学习在图像处理领域的强大潜力和应用前景。从数据准备、模型设计与选择、模型训练与优化到模型评估与测试，我们详细介绍了整个实现过程，并探讨了系统的实际应用和未来发展方向。通过这次实践，我们不仅加深了对深度学习技术的理解，还积累了宝贵的项目经验。
相关知识
毕设：基于CNN卷积神经网络的猫狗识别、狗品种识别(Tensorflow、Keras、Kaggle竞赛)
基于卷积神经网络通过声音识别动物情绪的方法及系统
基于卷积神经网络的动物识别研究现状
猫狗分类#1猫狗图片准备【keras深度学习】CNN卷积神经网络 cats
深度学习之基于Vgg16卷积神经网络的宠物皮肤疾病识别系统
Python实现对12500张猫狗图像的精准分类
基于Python深度学习的【猫狗宠物识别】系统设计实现
【毕业设计】基于卷积神经网络的宠物狗目标检测与分类实现 Python 计算机视觉 机器学习
【卷积神经网络】CNN详解以及猫狗识别实例
100基于卷积神经网络之鸟鸣识别鸟的种类
网址: 基于卷积神经网络（CNN）的猫狗图像分类系统实现 https://m.mcbbbk.com/newsview927179.html
| 上一篇: 基于SSD网络的宠物狗检测与分类 |
下一篇: 犬类学概述宠物狗狗品种分类与特性 |
