https://github.com/liu42/flowerclassify
基于 ResNet 的花卉分类识别系统。
https://github.com/liu42/flowerclassify
cnn computer-vision deep-learning docker flask image-classification machine-learning onnx onnx-runtime pytorch
Last synced: 11 months ago
JSON representation
基于 ResNet 的花卉分类识别系统。
- Host: GitHub
- URL: https://github.com/liu42/flowerclassify
- Owner: LIU42
- Created: 2023-12-04T08:16:47.000Z (over 2 years ago)
- Default Branch: main
- Last Pushed: 2025-06-20T09:37:20.000Z (about 1 year ago)
- Last Synced: 2025-06-20T10:42:47.083Z (about 1 year ago)
- Topics: cnn, computer-vision, deep-learning, docker, flask, image-classification, machine-learning, onnx, onnx-runtime, pytorch
- Language: Python
- Homepage:
- Size: 8.79 KB
- Stars: 28
- Watchers: 1
- Forks: 1
- Open Issues: 2
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Flower Classify
*v1.4.0 新变化：调整数据增强重新训练模型。*
## 项目简介
本项目为一个基于 ResNet 的花卉分类识别系统，能有效区分 10 中不同类别的花卉，采用 ResNet18 作为主干网络，包含模型的训练、测试以及线上部署（提供容器化部署）。
- 基于 [PyTorch](https://pytorch.org/) 框架进行模型的训练及测试。
- 模型采用 [ONNX](https://onnx.org.cn/onnx/index.html) 格式部署，采用 [ONNX Runtime](https://onnxruntime.ai/) 进行推理。
- 基于 [Flask](https://flask.palletsprojects.com/en/stable/) 框架实现 Web 接口。
- 使用 [Docker](https://www.docker.com/) 进行容器化部署。
训练数据集来自 [Kaggle](https://www.kaggle.com/)，融合了多个数据集并进行了数据清洗，基于预训练模型进行训练。
## 使用说明
### 安装环境依赖
首先使用 pip 安装本项目相关的依赖包：
```shell-session
pip install -r requirements.txt
```
### 启动 Web 服务
本项目 Web 服务的默认配置文件为 servers/configs/config.toml，其中各个字段描述如下。
| 字段名 | 字段描述 |
|:----------:|:-----------------------------------------:|
| precision | 模型推理精度，取值为 "fp32" (单精度) 和 "fp16" (半精度) 。 |
| providers | 模型推理 ONNX Runtime Execution Providers 列表。 |
| model-path | 模型加载路径。 |
从本项目 Release 中下载 [ONNX](https://onnx.org.cn/onnx/index.html) 格式的模型权重文件放入 servers/models 目录后，执行以下命令启动 Web 服务：
```shell-session
flask --app servers.server run --host="0.0.0.0" --port=9500
```
### 模型训练
若要使用自己的数据集训练模型，准备好数据集、调整好模型输出格式后，运行 train.py 即可开始训练，训练和验证默认的配置文件为 configs/config.toml，其中各个字段的描述如下。
| 字段名 | 字段描述 |
|:--------------------:|:---------------------------------------------------------------------------------------:|
| device | 设备名称，与 PyTorch 的设备名称保持一致。 |
| num-epochs | 训练迭代次数。 |
| num-workers | 训练及评估数据加载进程数。 |
| batch-size | 训练数据批大小。 |
| learning-rate | 模型训练学习率。 |
| weight-decay | 模型训练权重衰减。 |
| num-classes | 模型输出类别数。 |
| log-interval | 日志输出频率。 |
| load-pretrained | 是否使用预训练参数初始化模型权重。 |
| load-checkpoint | 是否加载 checkpoint 继续训练，若为 true 则从 load-path 加载模型权重，覆盖 load-pretrained 值，反之则使用初始化模型权重开始训练。 |
| load-checkpoint-path | 训练初始模型的加载路径，同时也为待评估模型加载路径。 |
| best-checkpoint-path | 训练中当前验证集最优模型保存路径。 |
| last-checkpoint-path | 训练中最后一次训练模型保存路径。 |
### 模型评估
模型训练完成后，运行 eval.py 以评估当前最优模型在测试集上的准确率，默认的配置文件及字段含义同上。
### 构建镜像
模型部署前需要转换为 [ONNX](https://onnx.org.cn/onnx/index.html) 格式放入 servers/models 目录中。构建镜像使用的 Dockerfile 位于 docker 目录中，请参考 [Docker 官方文档](https://docs.docker.com/) 进行镜像的构建和容器的运行。