基于python农作物病害图片识别(pytorch中如何预测医学图像并保存)

本文是关于如何在Pytorch中实现害虫图像分类。边肖觉得很实用，所以分享给大家学习。希望你看完这篇文章能有所收获。话不多说，我们和边肖一起看看。

00-1010

一、pytorch框架

pyTorch是一个基于Torch的开源Python机器学习库，用于自然语言处理等应用。

2017年1月，脸书人工智能研究院(FAIR)推出了基于Torch的PyTorch。它是一个基于Python的可持续计算包，提供了两个高级功能：

1.具有强大GPU加速的张量计算(如NumPy)。

2.具有自动微分系统的深度神经网络。

1.1、概念

有很多不同，本博客只简单介绍其中一部分。以图片形式展示。

前者是机器学习的过程。

后者是深度学习的过程。

1.2、机器学习与深度学习的区别

00-1010本实验使用coco数据集中的病虫害数据集。分为训练文件Traindata和测试文件TestData。

TrainData有9个类别，每个类别有100张图片。

TestData有9个类别，每个类别有10张图片。

我下一篇博客中的开源数据集。

以下是我的数据集的截图：

1.3、在python中导入pytorch成功截图

二、数据集

进口火炬

from orch . utils . dataimportdataset，DataLoader

importnumpayasnp

importmatplotlib

进口

importcv2

from PiLiimportimage

importtorchvision . transformsasstransforms

import torch . optima optim

from orch . autogradimportvariable

importtorch.nnasnn

import torch . nn . FunctionAsf

从测试。CNNimportNet

importjson

从test.train _ dataimportmydataset，pad _ image

三、代码复现

#构建神经网络

Net (nn.module) : #定义了网络模块。

def__init__(self):

超级(网，自我)。__init__()

#卷积，图片有3层，6个特征，5*5长宽的像素，每隔一步跳转。

self.conv1=nn。Conv2d(3，6，5)

#//(conv1):Conv2d(3，6，kernel_size=(5，5)，stride=(1，1))

Self.pool=nn。最大池2d(2，2)#最大池

#//(

pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
        self.conv2 = nn.Conv2d(6, 16, 5)#卷积
        #//(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
        self.fc1 = nn.Linear(16*77*77, 120)#全连接层，图片的维度为16，
        #(fc1): Linear(in_features=94864, out_features=120, bias=True)
        self.fc2 = nn.Linear(120, 84)#全连接层,输入120个特征输出84个特征
        self.fc3 = nn.Linear(84, 7)#全连接层，输入84个特征输出7个特征
 
   def forward(self, x):
        print("x.shape1: ", x.shape)
        x = self.pool(F.relu(self.conv1(x)))
        print("x.shape2: ", x.shape)
        x = self.pool(F.relu(self.conv2(x)))
        print("x.shape3: ", x.shape)
        x = x.view(-1, 16*77*77)
        print("x.shape4: ", x.shape)
        x = F.relu(self.fc1(x))
        print("x.shape5: ", x.shape)
        x = F.relu(self.fc2(x))
        print("x.shape6: ", x.shape)
        x = self.fc3(x)
        print("x.shape7: ", x.shape)
        return x

3.3、测试代码

img_path = "TestData/test_data/1/Apple2 (1).jpg" #使用相对路径
image = Image.open(img_path).convert('RGB')
image_pad = pad_image(image, (320, 320))
input = transform(image_pad).to(device).unsqueeze(0)
output = F.softmax(net(input), 1)
_, predicted = torch.max(output, 1)
score = float(output[0][predicted]*100)
print(class_map[predicted], " ", str(score)+" %")
plt.imshow(image_pad) # 显示图片

四、训练结果

4.1、LOSS损失函数

4.2、 ACC

4.3、单张图片识别准确率

以上就是Pytorch中如何实现病虫害图像分类，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注行业资讯频道。