鱼类识别系统项目实践：基于 Django 与深度学习的图像分类应用

项目简介本项目是一个基于深度学习的鱼类图像分类识别系统专注于解决鱼类物种自动识别问题。系统采用前后端分离的架构设计后端服务基于 Django 框架提供 Web 页面渲染、图片上传接口和模型推理服务模型架构集成多种经典 CNN 与 Transformer 模型支持多种深度学习网络结构核心功能实现鱼类图片的自动分类识别准确判别不同鱼类物种系统首页集成了模型选择、图片上传、识别结果展示和数据集类别浏览等功能模块适合作为课程设计深度学习与计算机视觉课程的实践项目实验展示模型对比与性能评估的实验平台项目实践完整的 AI 应用开发案例️ 技术栈后端框架Web 框架Django 4.x深度学习框架核心框架PyTorch 2.0扩展库Torchvision、TorchMetrics支持的模型架构本项目集成了多种经典和现代的深度学习模型经典 CNN 模型AlexNet、VGGNet、ResNet 系列GoogLeNet、DenseNet、MobileNetEfficientNet、RegNet、ShuffleNetTransformer 模型Vision Transformer (ViT)Swin TransformerDeiTData-efficient Image Transformers数据处理与可视化数据加载torchvision.datasets.ImageFolder预处理图像缩放、随机裁剪、水平翻转、归一化可视化工具Matplotlib、Seaborn、Plotly数据分析Pandas、NumPy结果导出Excel、CSV 格式训练日志️ 系统界面设计识别结果展示识别完成后系统以卡片形式展示详细结果 数据集介绍数据集结构数据集位于项目djangoProject/data_set目录下采用标准组织格式data_set/ ├── train/ # 训练集 │ ├── bass/ # 鲈鱼类别 │ │ ├── bass_001.jpg │ │ ├── bass_002.jpg │ │ └── ... │ ├── carp/ # 鲤鱼类别 │ └── ... ├── test/ # 测试集 │ ├── bass/ │ ├── carp/ │ └── ... └── en2ch.txt # 中英文类别映射文件类别覆盖数据集共包含30 种常见鱼类涵盖中文名称英文名称样本数量黄鱼Yellow Croaker~150鲤鱼Carp~140鲫鱼Crucian Carp~130鲈鱼Perch~120带鱼Hairtail~110草鱼Grass Carp~100鲑鱼Salmon~90罗非鱼Tilapia~85石斑鱼Grouper~80多宝鱼Turbot~75数据特点多样性包含不同角度、光照条件下的鱼类图片标准化所有图片统一调整为 224×224 分辨率平衡性各类别样本数量相对均衡扩展性支持轻松添加新鱼类类别数据预处理流程# 数据预处理示例代码fromtorchvisionimporttransforms train_transformtransforms.Compose([transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])])test_transformtransforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]) 模型训练与识别流程训练阶段1. 数据准备# main_train.py - 数据加载部分fromtorchvision.datasetsimportImageFolderfromtorch.utils.dataimportDataLoader# 加载训练集和测试集train_datasetImageFolder(data_set/train,transformtrain_transform)test_datasetImageFolder(data_set/test,transformtest_transform)# 创建数据加载器train_loaderDataLoader(train_dataset,batch_size32,shuffleTrue)test_loaderDataLoader(test_dataset,batch_size32,shuffleFalse)2. 模型配置项目提供统一的训练入口main_train.py支持通过命令行参数切换不同模型# 训练 ResNet50python main_train.py--modelresnet50--epochs50--lr0.001# 训练 Vision Transformerpython main_train.py--modelvit--epochs100--lr0.0001# 训练 MobileNetV3python main_train.py--modelmobilenetv3--epochs30--lr0.013. 智能模型过滤系统自动检测可用的模型权重文件只向用户展示✅ 已完成训练的模型✅ 权重文件完整的模型✅ 通过基础测试的模型避免用户选择未训练或损坏的模型减少运行时错误。 可视化分析与模型评估数据分布分析1. 类别样本分布通过统计分析发现不同鱼类类别的样本数量存在差异importpandasaspdimportmatplotlib.pyplotasplt# 统计各类别样本数量class_counts{}forclass_nameintrain_dataset.classes:class_counts[class_name]len(train_dataset.class_to_idx[class_name])# 可视化展示plt.figure(figsize(12,6))plt.bar(range(len(class_counts)),list(class_counts.values()))plt.xlabel(类别索引)plt.ylabel(样本数量)plt.title(训练集类别分布)plt.show()2. 数据不平衡处理策略针对样本不均衡问题我们采用以下策略过采样对少数类别进行数据增强类别权重在损失函数中为少数类别分配更高权重分层采样确保每个 batch 包含所有类别的样本训练过程可视化1. 训练趋势图# 训练日志分析importpandasaspd# 读取训练日志log_dfpd.read_csv(training_log.csv)# 绘制训练曲线fig,axesplt.subplots(2,2,figsize(15,10))# 训练损失axes[0,0].plot(log_df[epoch],log_df[train_loss])axes[0,0].set_title(训练损失变化)axes[0,0].set_xlabel(Epoch)axes[0,0].set_ylabel(Loss)# 验证准确率axes[0,1].plot(log_df[epoch],log_df[val_accuracy])axes[0,1].set_title(验证准确率)axes[0,1].set_xlabel(Epoch)axes[0,1].set_ylabel(Accuracy)# 学习率变化axes[1,0].plot(log_df[epoch],log_df[learning_rate])axes[1,0].set_title(学习率调度)axes[1,0].set_xlabel(Epoch)axes[1,0].set_ylabel(Learning Rate)# 模型对比models[ResNet50,MobileNetV3,ViT]accuracies[0.92,0.88,0.94]axes[1,1].bar(models,accuracies)axes[1,1].set_title(不同模型准确率对比)axes[1,1].set_ylabel(Accuracy)plt.tight_layout()plt.show()2. 关键指标分析收敛速度ResNet 系列收敛最快Transformer 需要更多 epoch稳定性CNN 模型训练更稳定ViT 需要精细调参过拟合通过早停、Dropout、权重衰减控制项目总结与优化方向该系统完成了从数据集组织、模型训练、权重加载到 Web 端识别展示的完整闭环。后续可以继续从三个方向优化一是补充更多复杂背景、不同角度和不同光照条件下的鱼类图片二是加入更细致的错误样本分析和混淆类别对比三是完善模型权重管理、历史识别记录和批量预测功能让系统更适合实际部署和演示。