1. 使用VGGNet、GoogLeNet、ResNet、DenseNet、EfficientNet和數(shù)據(jù)集中80%的數(shù)據(jù)訓(xùn)練識(shí)別模型，并對(duì)剩下20%的數(shù)據(jù)集進(jìn)行測(cè)試 ；

2. 使用不同的評(píng)價(jià)指標(biāo)（如accuracy、precision、recall等）對(duì)各種算法進(jìn)行評(píng)價(jià)；

3. 鼓勵(lì)基于現(xiàn)有的算法提出改進(jìn)，進(jìn)一步提高算法的性能。

該文件夾存放使用pytorch實(shí)現(xiàn)的代碼版本

model.py： 是模型文件

train.py： 是調(diào)用模型訓(xùn)練的文件

predict.py： 是調(diào)用模型進(jìn)行預(yù)測(cè)的文件

class_indices.json： 是訓(xùn)練數(shù)據(jù)集對(duì)應(yīng)的標(biāo)簽文件

Install

數(shù)據(jù)集下載

下載好數(shù)據(jù)集，代碼中默認(rèn)使用的是花分類數(shù)據(jù)集，下載地址:

預(yù)權(quán)重文件下載

Train

在進(jìn)入目錄后，修改數(shù)據(jù)集路徑，輸入以下命令。

Predict