先上结果图，免得还没看就跑了
这是小程序显示的界面，上半部分通过调用手机摄像头，将图像传给后端算法，算法将识别结果，放回到这个页面黄色框这个部分。那么这个算法是怎么实现的呢。
图像分类算法
图像分类常用的卷积神经网络算是人工智能CV篇的入门
常用的算法比如lenet，多用于mnist和cifar10分类分别是28*28，和32*32尺寸的数据集。
然后vgg,resnet,mobilenet,efficientnet等分类算法大多以224*224的图像尺寸制作数据集。
本文就以最经典的resnet50算法为例子，教你如何制作图像分类的数据集，如何使用迁移学习resnet50进行训练模型，以及如何调用模型进行预测，代码都在下面，
多多点赞加关注，更新不间断。
首先是数据集的制作
我通过爬虫，爬取了5种水果，包含橘子、火龙果、苹果、草莓、香蕉等。每种几十张图片，各自放在相应的文件夹下，文件的命名后缀_train是训练集，_test是测试集
然后通过代码来生成数据集文本
这个代码运行完成后会在水果数据集文件夹下生成两个txt文本分别用于存放训练集和测试集的图片路径和对应标签
有了这个txt数据集就可以写训练的代码了
这里用了迁移学习的resnet50，大家可以在model = models.resnet50(pretrained=True)这里修改
迁移学习其他网络也是可以的
最后训练得到的模型会测出测试集的准确率，生成的模型
然后我们来调用这个模型来对输入进来的图片进行测试吧
import torch
from PIL import Image
import torch.nn as nn
import matplotlib.pyplot as plt
from torchvision import transforms,modelsa='./1.jpg' #输入要测试的图片名称
classes = ['橘子','火龙果','苹果','草莓','香蕉'] #标签序号对应类名
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') #是否使用gpu加速def test_mydata(a): #定义预测函数# 调整图片大小im = plt.imread(a) #读入图片images = Image.open(a) #将图片存储到images里面images = images.resize((224, 224)) #调整图片的大小为224*224的大小images = images.convert('RGB') #RGB化transform = transforms.ToTensor()images = transform(images) #图像转化成tensor类型images = images.resize(1, 3, 224, 224) #调整输入网络图片大小images = images.to(device) #gpu加速path_model = "./model.ckpt" #调用训练好的模型model = torch.load(path_model)model = model.to(device)model.eval()outputs = model(images) #将图片传入模型预测values, indices = outputs.data.max(1) #返回最大概率值和下标 output不是tensor类型所以要加.dataprint(classes[int(indices[0])]) #输出类名plt.title(int(indices[0])) #输出标签plt.imshow(im) #展示结果plt.show()test_mydata(a) #调用函数这个代码能对本地1.jpg名称的图片进行输入模型，测试后显示他的水果种类。
如果想测其他图片在a=‘./1.jpg’ 这里改成其他图片的路径即可
本期就到这里
别忘记点赞、关注加收藏
有什么想让博主先写的代码可以在评论区留言，点赞超10个，更新如何部署小程序
还有想知道如何爬虫、目标检测算法的实现，pyqt界面如何写，网页如何部署，都欢迎留言
往期传送门：
在linux远程服务器配置pytorch-gpu
在windows笔记本中安装tensorflow1.13.2版本的gpu环境
pytorch版Cyclegan
python-图片批量处理大小并删除原图片
tensoflow1.x版本训练CycleGAN
pytorch版空洞卷积，以及RFBNet应用
python-词云生成
pytorch单机多gpu训练cycleGAN模型
python-使用PIL工具包将图片分割成四等分再还原
如何Xshell退出服务器，服务器里的程序仍可以运行，，和如何通过终端关闭程序