基于Python的图像分类 项目实践

指导文档：https://blog.csdn.net/aiqq136/article/details/114596795

相关资料免费下载：https://download.csdn.net/download/aiqq136/15926986

我们有了几十张宠物的图像，这些图像的种类都在ImageNet数据集中出现过，我们需要通过CNN模型来帮我们筛选比较一遍，顺便也对模型的识别结果和识别效率进行比较。

需要做的事情：

注意，某些小狗品种看起来非常相似，这些算法区分两个品种的能力只与数据集 (ImageNet) 和算法相当。也就是说，算法从越多的两种外观相似的小狗品种图像中学习规律，就越能够区分这两个品种。对于人类也一样，你看到两个相似品种的小狗图像越多，发现真正的区别，就越能够区分这两种小狗。我们发现以下品种看起来很相似：大白熊犬和白警犬、德牧和玛伦牧羊犬、比格犬和步行猎犬 等等。

最后注意，格雷伊猎犬和澳洲牧羊犬在 ImageNet 中没有图像。因此算法将始终无法正确分类这两个品种，因为之前从未见过这两个品种。算法只能做到将这些图像分类为 ImageNet 中存在图像的相似小狗品种。因此如果需要自己找到图片来测试算法，需要将仅使用 ImageNet 中存在的小狗品种。

主要目标

注意：在线环境如果有不明白的地方，使用https://ai.baidu.com/ai-doc/AISTUDIO/sk3e2z8sb 完成内容后，注意保存自己的项目内容，生成新的版本。

我们的任务的主体代码是在check_images模块里，第一个任务是：添加计算程序运行时间的相应代码(也就是标记为TODO1的地方)。

编写完毕后，该代码将计算程序的总运行时间。后续该代码将衡量三个算法中的每个算法对 pet_images 文件夹中的所有图像进行分类所需的时间。

编写完运行时间计算的代码后，通过使用sleep()函数测试计算运行时间的代码是否运行正确。时间模块的测试包括以下内容：在 sleep() 函数中设置不同的值（秒），检查时长和时间格式。

任务2（TODO 2）的主要内容需要编写未定义函数get_pet_labels。 在这个函数里函数，需要使用 pet_images 文件夹中的宠物图像的文件名为宠物图像创建标签。这些宠物图像标签标示宠物图像中的动物品种；因此，它们代表了图像分类“真实结果”的标签。

编写完毕后，函数将返回一个字典，字典里包含了pet_image 文件夹中的所有40个宠物图像的键值对：键是宠物图像文件名，值是宠物图像标签。

然后回到调用模块，调用get_pet_labels

测试内容

 测试（不要用）

这个任务需要完成两部分的内容

此外，还需要将分类器计算的标签与原始的宠物图像标签进行比较（判断图像标识符是否正确）。

最后，还需要使用 classify_images 返回数据结构存储宠物图像标签、分类器生成的标签和标签比较结果（列表字典结构）。 这个列表字典结构：键是宠物图像文件名，每个值是针对 pet_image 文件夹中所有 40 张宠物图像的列表。这个列表将包含以下条目：宠物图像标签（索引 0）、分类器标签（索引 1），以及标签比较结果（索引 2）。

测试内容

建议遍历字典两次，用两个不同的群组输出匹配和不匹配的情形，这样检查起来更简单。

需要检查以下内容：

任务4的内容将要编写TODO4处的adjust_results4_isadog函数。

此函数首先读取dognames.txt 文件，然后创建一个数据结构（字典）来存储从文件中获取的有效的小狗名称，将小狗名称与任务3返回的字典 (resutlts_dic)中的分类器标签和宠物图像标签同时进行比较，然后调整结果字典，需要计算出这张图像是“小狗”或“非小狗”。

**注意，adjust_results4_isadog 函数需要更改结果字典（results_dic），results_dic已在项目主体部分定义，但是因为字典可变的，因此函数无需返回此字典。

results_dic，将键设为宠物图像文件名，值设为 pet_image 文件夹中的所有40个宠物图像的列表。每个键列表现在将包含另外两项：宠物图像标签是小狗（索引 3）和分类器标签是小狗（索引 4），详细设置见函数说明。

测试内容

建议遍历字典两次，用两个不同的群组输出匹配和不匹配的情形，这样检查起来更简单。

检查结果应该为：

这个任务将会涉及各项百分比计算结果。 即将编写的模块函数是：calculates_results_stats。对于此函数，接收的输入为results_dic（来自 adjust_results4_isadog 的列表字典），然后创建结果统计信息字典 (results_stats)。此结果字典将仅包含统计量的名称作为键，值将为统计量的数字值。

建议：在函数的第一行创建此字典，并在函数的最后一行返回值。

这段任务将能够提供前面我们需要统计内容的计数和百分比值。统计的内容包括：哪些是小狗图像，哪些不是小狗图像，同时针对小狗图像，能够分辨其品种，我们的程序的准确率应该是多少？

results_stats 最后的格式为：

键 = 统计量的名称（例如 n_correct_dogs、pct_correct_dogs、n_correct_breed、pct_correct_breed） 值 = 统计量的值（例如 30、100%、24、80%） 例如：example_dictionary = {'n_correct_dogs': 30, 'pct_correct_dogs': 100.0, 'n_correct_breed': 24, 'pct_correct_breed': 80.0}

在这个过程中，需要统计的量有：

另外需要计算的百分比有(对应前面统计量的字母标号来看)：

测试内容

检查模块5的计算结果是否正确。

最后一个任务需要编写函数 print_results。此函数将输出 results_dic (adjust_results4_isadog 中的列表字典）和结果统计字典（来自 calculates_results_stats 的 results_stats）。

首先要输出语句，表示针对三个CNN模型架构中的哪个架构以及传入的哪个输入参数 model。 接着，需要针对三个 CNN 模型架构都输出以下三项的计数。

最后，遍历 results_stats 字典并输出统计量的名称和所有百分比的值（例如以字母“p”开头的键）。

百分比计算结果：

可选功能旨在改善代码的调试性能。此外，可以使我们能够判断是否存在一些每种算法都很难判断的小狗品种。

（选作部分）：

测试

这个任务不需要流程图，但是需要检查：

所有任务完成后，需要以小组为单位完成这个项目的报告，报告包括：