深度学习的毕业设计做鲜花花卉识别,有谁有相关的经验分享一下吗?

　　毕业设计题目是基于深度学习卷积神经网络的花卉识别,机器视觉相关的,有哪位大神有这方面经验吗?

　　最直接的方式是使用YOLOv5实现，需要的时间大概在3个小时左右。

　　完成任务的时间主要集中在构造数据集、标注数据集。

　　当然，也可以选择现成的数据集，只找测试图像就好了。如果这样的话，需要的时间大概在半个小时左右即可。

　　下面，以训练一个目标检测系统，识别图像中的苹果和香蕉为例。

　　1 概述

　　首先，我们看下具体的流程：步骤1：训练适用于当前项目的权重文件。步骤2：使用训练好的权重文件，完成识别。

　　下面使用图来说明一下：

　　步骤1：

　　训练适用于当前项目的权重文件。

　　步骤2：

　　使用训练好的权重文件，完成识别。

　　更具体来说，从头开始仅仅需要六个步骤即可。具体步骤如下：

　　2 实现

　　如果已经具备一定的深度学习基础，上述步骤在半个小时即可完成。

　　下面，简单对上述六个步骤做个介绍。

　　2.1 step 1 配置anaconda

　　为了方便，直接安装anaconda就好。这样比较方便，不需要我们额外进行配置了。

　　2.2 step 2 下载YOLOv5

　　主要包含如下几个工作：要件1：下载YOLOv5工程文件要件2：下载权重文件要件3：按照requirements.txt文件，配置第三方库要件4：查看测试文件

　　要件1：下载YOLOv5工程文件

　　通过搜索引擎，找到官网，下载即可。

　　要件2：下载权重文件

　　它有好多预训练好的权重文件，我们可以根据需要下载即可。

　　如果问题比较简单，我们直接下载“YOLOv5n”即可。

　　总体来说：预训练文件较小时，它的精读低、但是速度较快。预训练文件较大时，它的精读高、但是速度较慢。

　　各个文件的大小如下：

　　要件3：按照requirements.txt文件，配置第三方库

　　运行YOLOv5，需要很多第三方库，直接使用YOLOv5自带的requirements.txt一次搞定。

　　要件4：查看测试文件

　　YOLOv5给我提供了两张测试图像，路径如下。

　　2.3 step 3 测试YOLOv5

　　本步骤测试YOLOv5是否能够正常运行。如下图，使用YOLOv5自带的测试图像、权重文件，实现目标检测。

　　图中：左侧：测试图像中间：权重文件右侧：左侧测试图像的检测结果。可以看到检测出了领带、人、车等等。

　　直接运行detect.py即可。

　　需要注意的是，要配置其参数：source：测试文件位置weight：权重文件位置

　　

　　2.4 step 4 数据集处理

　　这里需要使用labelImg。labelImg用来对图像进行标注，它能够根据手工标注自动给出对象在图像内的位置、对象大小。

　　如下图所示，文件classes所示：共有两个分类苹果和香蕉。苹果对应着类别0，香蕉对应着类别1.

　　如下图所示，图像lilizong1.jpg在labelImg处理后，会得到lilizong1.txt文件。

　　lilizong1.txt中，共有四行，前三行对应着lilizong1.jpg中三个苹果，第四行对应着lilizong1.jpg中的一只香蕉。

　　标注文件lilizong1.txt中，数值包含四个部分：

　　【分类、对象位置（x,y）、对象尺寸（宽度、高度）】

　　（x,y）、（宽度、高度）都是归一化的值。

　　简单理解，原始图像的宽度、高度都是1。或者将未知、尺寸都理解为原图像的百分比。

　　例如，在lilizong1.txt中，第1行中：

　　[0,0.47,0.52,0.12,0.118]

　　其中数值0是分类，对应着apple，（0.47,0.52）是苹果在图像中的位置，（0.12,0.118）是苹果的宽度和高度。0.47表示当前的apple距离左边界的距离占图像总宽度的47%0.52表示当前的apple距离上边界的距离占图像总高度的52%0.12表示当前的apple的宽度占图像总宽度的12%0.118表示当前的apple的高度占图像总高度的11.8%

　　

　　labelImg安装方式如下：

　　

　　labelImg的运行方式如下：

　　

　　运行labelImg，如下图所示。

　　主要操作如下：1、图像目录：设定要标注的图像在哪2、标签目录：生成的标签文件存在哪3、支持类型：选择【YOLO】（也支持其他类型）4、create rectangle（生成标注框）5、设置默认标签

　　导入图像后，框定图像内的对象、设定标签即可获取对应的包含类别、位置、宽高的标注文件。

　　这里主要分为四部分：1、data.yaml：配置文件2、train：训练文件3、val：验证文件4、test：测试文件

　　配置文件（data.yaml）的内容主要包含：1、设定好目标检测的分类2、nc：类的个数（nubmer of class）3、train：训练文件的路径4、val：验证文件的路径

　　需要注意，使用yolov5，既要包含训练文件、又要包含验证文件。无论训练文件，还是验证文件其中的图像都要包含对应对应的标签。

　　2.5 step 5 训练YOLOv5

　　训练过程，就是使用训练文件、验证文件，获取权重文件的过程。

　　运行train.py完成YOLOv5的训练。需要注意的是，要配置其对应的参数，主要包含：--batch-size="2" ：批处理大小--epochs="200" ：训练轮次--data="lilizong/data.yaml"：数据源位置 --weights=".\weight\yolov5n.pt"：使用的权重

　　配置方式如下：

　　2.6 step 6 目标检测

　　使用训练好的权重，进行目标检测。

　　运行train.py，实现目标检测。需要配置参数如下：--source=".\lilizong\test" ：原文件路径--weights=".\runs\train\exp\weights\best.pt"：训练好的权重

　　配置方式如下：

　　识别香蕉和苹果（目标检测）的结果如下所示：

　　使用上述流程即可以完成花卉的识别。