9类鱼类识别模型搭建，从网上爬取9类鱼，对爬取的数据进行数据清理等操作；搭建AlexNet等经典的分类网络，对数据集进行训练。
项目对应gitee地址： https://gitee.com/wucaip/Fish_recognition
说明：训练数据集50个epoch，其他参数不变的情况下得到如下结果：
| 训练集精度 | 验证集精度 | |
|---|---|---|
| AlexNet | 99.47 | 82.76 |
| Googlenet | 97.02 | 84.84 |
| VGG16 | 96.53 | 84.46 |
| MobilenetV3 | 97.06 | 85.79 |
| ShufflenetV2 | 96.77 | 85.60 |
| Resnet50(加预训练) | 100.0 | 98.29 |
1、AlexNet
2、Googlenet
3、VGG16
4、Resnet50（使用了预训练权重）
5、MobilenetV3
6、ShufflenetV2
- 配置：tensorflow==2.11.0、Cuda 10.1
- 数据集(9类)：河豚、蝴蝶鱼、金鱼、鲫鱼、龙鱼、罗汉鱼、鲇鱼、清道夫、石板。4777张训练集, 528张验证集。
-
鱼类数据集下载：
链接：https://pan.baidu.com/s/14YDm-wv5036ygL9MbRxxPg 提取码：jvzt
-
预训练权重下载（用于模型训练）：
链接：https://pan.baidu.com/s/15NhHPP08CjLl6wk8vSgZtQ 提取码：cewz
-
预测权重下载（用于模型预测）：
链接：https://pan.baidu.com/s/15hfxuz4sCEJR79S1c6a15Q 提取码：cipk
在命令行运行：
python predict.py
可以通过修改predict.py里面的model_name来调用不同模型进行预测
# -------------------------------- 训练参数配置 --------------------------------------#
im_height = 224 # 输入图片的高
im_width = 224 # 输入图片的宽
model_name = "AlexNet" # 模型名称"AlexNet"、"VGG"、"Googlenet","Resnet","MobilenetV3"、"Shufflenet"
img_path = r"fish_data\test\longyu.jpg" # 预测的图片
# ------------------------------------------------------------------------------------#
在命令行运行：
python train.py
可以通过修改train.py里面的model_name来调用不同模型进行训练
# -------------------------------- 训练参数配置 --------------------------------------#
im_height = 224 # 输入图片的高
im_width = 224 # 输入图片的宽
num_classes = 9 # 识别的种类
batch_size = 4 # 训练的批次图片数
epochs = 50 # 训练迭代次数
model_name = "Shufflenet" # 模型名称"AlexNet"、"VGG"、"Googlenet","Resnet","MobilenetV2","MobilenetV3"、"Shufflenet"、"EfficientnetV1","EfficientnetV2"
log_draw_loss_suc = True # 是否需要通过日志绘图
# ------------------------------------------------------------------------------------#
Project:
├─checkpoints # 预训练权重
├─fish_data # 数据集
│ ├─fish_photos # 完整数据集
│ ├─test # 自己准备测试集
│ ├─train # 划分训练集
│ └─val # 划分验证集
├─img # 运行mardown显示
├─logs # 训练日志
├─nets # py模型文件
├─save_weights # 保存训练模型文件
└─predict.py # 预测脚本
└─train.py # 训练脚本
└─split_data.py # 数据集划分
└─Reptiles.py # 数据集爬取
└─class_indices.json # 种类字典
└─requirements.txt # 项目环境文件