ResNet18多分类实战：花卉识别完整案例，1块钱体验-平芜编程栈

ResNet18多分类实战：花卉识别完整案例，1块钱体验

引言

你是否曾在花园里看到一朵美丽的花，却叫不出它的名字？作为植物爱好者，我们常常会遇到这样的困扰。现在，借助AI技术，你可以轻松识别各种花卉品种。本文将带你用ResNet18模型构建一个花卉识别系统，整个过程就像教小朋友认图识字一样简单。

ResNet18是深度学习领域经典的图像分类模型，它通过"跳跃连接"解决了深层网络训练难题（就像给记忆不好的学生准备小抄）。我们将使用PyTorch框架和预训练模型，即使你没有任何AI基础，也能在1小时内完成从环境搭建到实际预测的全流程。

这个实战案例有三大特点： -成本极低：使用云平台GPU资源，全程花费不到1块钱 -完整可运行：提供从数据准备到模型预测的完整代码 -即学即用：学完就能识别常见花卉品种

1. 环境准备：5分钟搞定AI实验室

首先我们需要准备开发环境，就像厨师需要先准备好厨房和食材。推荐使用CSDN星图镜像广场的PyTorch预置镜像，它已经装好了所有必需工具。

1.1 选择合适的环境

对于这个项目，我们需要： - Python 3.8+ - PyTorch 1.12+ - torchvision库 - GPU支持（能让训练速度提升10倍以上）

在CSDN算力平台选择"PyTorch 1.12 + CUDA 11.3"基础镜像，这是已经配置好的"AI厨房"，开箱即用。

1.2 安装额外依赖

启动环境后，只需再安装一个数据处理库：

pip install pandas matplotlib

💡 提示
如果使用本地环境，建议创建虚拟环境避免包冲突：python -m venv flower_env

2. 数据准备：建立你的花卉图库

好的AI模型需要好的数据，就像好学生需要好的教材。我们将使用公开的Oxford 102花卉数据集，包含102类常见花卉的图片。

2.1 下载数据集

运行以下代码自动下载并解压数据：

import torchvision.datasets as datasets from torchvision import transforms # 定义图像预处理（标准化ImageNet预训练模型的输入） transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 下载数据集 train_data = datasets.Flowers102(root='./data', split='train', download=True, transform=transform) val_data = datasets.Flowers102(root='./data', split='val', transform=transform) test_data = datasets.Flowers102(root='./data', split='test', transform=transform)

2.2 创建数据加载器

将数据打包成批次，方便模型训练：

from torch.utils.data import DataLoader batch_size = 32 # 每次处理32张图片 train_loader = DataLoader(train_data, batch_size=batch_size, shuffle=True) val_loader = DataLoader(val_data, batch_size=batch_size) test_loader = DataLoader(test_data, batch_size=batch_size)

3. 模型构建：使用预训练ResNet18

我们不会从零开始训练模型（那需要几天时间和昂贵设备），而是采用迁移学习，就像让一个已经会认动物的孩子来学认花。

3.1 加载预训练模型

import torchvision.models as models import torch.nn as nn # 加载预训练ResNet18 model = models.resnet18(pretrained=True) # 修改最后一层，适配我们的102类花卉分类 num_features = model.fc.in_features model.fc = nn.Linear(num_features, 102) # 102个花卉类别

3.2 设置训练参数

import torch.optim as optim device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = model.to(device) criterion = nn.CrossEntropyLoss() # 损失函数 optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 优化器

4. 模型训练：教AI认识花卉

现在进入最激动人心的环节——训练模型。这就像老师教学生认图，需要反复练习。

4.1 训练函数

def train_model(model, train_loader, val_loader, criterion, optimizer, num_epochs=10): for epoch in range(num_epochs): model.train() # 训练模式 running_loss = 0.0 for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() # 清零梯度 outputs = model(inputs) # 前向传播 loss = criterion(outputs, labels) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 running_loss += loss.item() # 每个epoch结束后验证 model.eval() # 评估模式 val_loss = 0.0 correct = 0 total = 0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) loss = criterion(outputs, labels) val_loss += loss.item() _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f"Epoch {epoch+1}/{num_epochs} | " f"Train Loss: {running_loss/len(train_loader):.4f} | " f"Val Loss: {val_loss/len(val_loader):.4f} | " f"Val Acc: {100*correct/total:.2f}%") # 开始训练（10个epoch约15分钟） train_model(model, train_loader, val_loader, criterion, optimizer, num_epochs=10)

4.2 训练技巧

学习率调整：训练后期可以减小学习率
早停机制：当验证集准确率不再提升时停止训练
数据增强：增加随机翻转、旋转等提升模型泛化能力

5. 模型评估与预测：看看AI学得怎么样

训练完成后，我们需要测试模型的真实水平，就像给学生期末考试。

5.1 测试集评估

def evaluate(model, test_loader): model.eval() correct = 0 total = 0 with torch.no_grad(): for inputs, labels in test_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f"Test Accuracy: {100 * correct / total:.2f}%") evaluate(model, test_loader)

5.2 单张图片预测

让我们试试用训练好的模型识别一张新图片：

from PIL import Image def predict_image(image_path, model, class_names): image = Image.open(image_path) image = transform(image).unsqueeze(0).to(device) # 预处理并添加批次维度 model.eval() with torch.no_grad(): output = model(image) _, predicted = torch.max(output, 1) return class_names[predicted.item()] # 假设我们有花卉类别名称列表 class_names = ['玫瑰', '郁金香', '向日葵', ...] # 实际应为102类名称 print(predict_image('my_flower.jpg', model, class_names))

6. 模型优化与部署

要让模型在实际中好用，还需要一些优化工作。

6.1 常见优化方法

数据增强：训练时增加随机变换，提高泛化能力
模型微调：解冻更多层进行训练
学习率调度：动态调整学习率

6.2 保存与加载模型

# 保存模型 torch.save(model.state_dict(), 'flower_resnet18.pth') # 加载模型 loaded_model = models.resnet18(pretrained=False) loaded_model.fc = nn.Linear(num_features, 102) loaded_model.load_state_dict(torch.load('flower_resnet18.pth')) loaded_model = loaded_model.to(device)