基于卷积神经网络的大豆病虫害识别与防治系统，resnet50，mobilenet模型【pytorch框架+python源码】

 更多目标检测和图像分类识别项目可看我主页其他文章

功能演示：

大豆病虫害识别与防治系统，卷积神经网络，resnet50，mobilenet【pytorch框架，python源码】_哔哩哔哩_bilibili

基于卷积神经网络的大豆病虫害识别与防治系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，ui界面和各种模型指标图表等。

该项目有两个可选模型：resnet50和mobilenet，两个模型都在项目中；GUI界面由pyqt5设计和实现，界面中给出模型预测病害的结果、概率和对应的防治措施。此项目的两个模型可做对比分析，增加工作量。

该项目是在pycharm和anaconda搭建的虚拟环境执行，pycharm和anaconda安装和配置可观看教程：

超详细的pycharm+anaconda搭建python虚拟环境_pycharm虚拟环境搭建-CSDN博客

​​​​​

该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单

以训练resnet50模型为例：

第一步：修改model_resnet50.py的数据集路径，模型名称、模型训练的轮数

​​ 

第二步：模型训练和验证，即直接运行model_resnet50.py文件

第三步：使用模型，即运行gui_chinese.py文件即可通过GUI界面来展示模型效果

​​​​​​

部分数据展示： 

​​​​​

​

​

​

​​​​

​

​

​

​

由于篇幅有限，只展示核心代码

def main(self, epochs):

log_file_name = './results/resnet50训练和验证过程.txt'

sys.stdout = Logger(log_file_name)

print("using {} device.".format(self.device))

begin_time = time()

train_loader, validate_loader, class_names, train_num, val_num = self.data_load()

print("class_names: ", class_names)

train_steps = len(train_loader)

val_steps = len(validate_loader)

model = self.model_load()

in_channel = model.fc.in_features

model.fc = nn.Linear(in_channel, len(class_names))

x = torch.randn(16, 3, 224, 224)

model_visual_path = 'results/resnet50_visual.onnx'

torch.onnx.export(model, x, model_visual_path)

model.to(self.device)

loss_function = nn.CrossEntropyLoss()

params = [p for p in model.parameters() if p.requires_grad]

optimizer = optim.Adam(params=params, lr=0.0001)

train_loss_history, train_acc_history = [], []

test_loss_history, test_acc_history = [], []

best_acc = 0.0

for epoch in range(0, epochs):

model.train()

running_loss = 0.0

train_acc = 0.0

train_bar = tqdm(train_loader, file=sys.stdout)

for step, data in enumerate(train_bar):

images, labels = data

optimizer.zero_grad()

outputs = model(images.to(self.device))

train_loss = loss_function(outputs, labels.to(self.device))

train_loss.backward()

optimizer.step()

running_loss += train_loss.item()

predict_y = torch.max(outputs, dim=1)[1]

train_acc += torch.eq(predict_y, labels.to(self.device)).sum().item()

train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1,

epochs,

train_loss)

model.eval()

val_acc = 0.0

testing_loss = 0.0

with torch.no_grad():

val_bar = tqdm(validate_loader, file=sys.stdout)

for val_data in val_bar:

val_images, val_labels = val_data

outputs = model(val_images.to(self.device))

val_loss = loss_function(outputs, val_labels.to(self.device))

testing_loss += val_loss.item()

predict_y = torch.max(outputs, dim=1)[1]

val_acc += torch.eq(predict_y, val_labels.to(self.device)).sum().item()

train_loss = running_loss / train_steps

train_accurate = train_acc / train_num

test_loss = testing_loss / val_steps

val_accurate = val_acc / val_num

train_loss_history.append(train_loss)

train_acc_history.append(train_accurate)

test_loss_history.append(test_loss)

test_acc_history.append(val_accurate)

print('[epoch %d] train_loss: %.3f val_accuracy: %.3f' %

(epoch + 1, train_loss, val_accurate))

if val_accurate > best_acc:

best_acc = val_accurate

torch.save(model.state_dict(), self.model_name)

end_time = time()

run_time = end_time - begin_time

print('该循环程序运行时间：', run_time, "s")

self.show_loss_acc(train_loss_history, train_acc_history,

test_loss_history, test_acc_history)

test_real_labels, test_pre_labels = self.heatmaps(model, validate_loader, class_names)

self.calculate_confusion_matrix(test_real_labels, test_pre_labels, class_names)

以上即为整个项目的介绍，整个项目主要包括以下内容：完整的程序代码文件、训练好的模型、数据集、UI界面和各种模型指标图表等。

整套项目资料齐全，一步到位，省心省力。

项目运行过程如出现问题，请及时交流！

相关知识

基于卷积神经网络的樱桃叶片病虫害识别与防治系统，vgg16，resnet，swintransformer，模型融合（pytorch框架，python代码）
基于python编程的五种鲜花识别
基于ResNet50的植物病害识别研究与系统应用实现
【花卉识别系统】Python+卷积神经网络算法+人工智能+深度学习+图像识别+算法模型
基于改进YOLOv5的猕猴桃叶病害检测系统（完整源码＆数据集＆视频教程）
深度学习YOLOv7实现的农作物病虫害识别与防治系统教程
人工智能毕业设计基于python的花朵识别系统
pytorch深度学习框架——实现病虫害图像分类
深度学习基于python+TensorFlow+Django的花朵识别系统
高效农作物病虫害识别：Python项目源码及数据集教程

网址: 基于卷积神经网络的大豆病虫害识别与防治系统，resnet50，mobilenet模型【pytorch框架+python源码】 https://www.huajiangbk.com/newsview361424.html