第一步：准备数据

12种花卉数据：向日葵, 梨花, 水仙, 牡丹, 玉兰花, 玫瑰, 睡莲, 美人蕉, 荷花, 菊花, 郁金香, 鸡蛋花，总共有7017张图片，每个文件夹单独放一种花

第二步：搭建模型

本文选择MobileNetV3Small，其网络结构如下：

 由于是十二分类问题，直接套用网络肯定是不行，因此会在全连接部分做手脚，参考代码如下：

    x = base_model.output
    x = GlobalAveragePooling2D()(x)
    x = Dense(256)(x)
    x = Activation('relu')(x)
    x = Dense(64)(x)
    x = Activation('relu')(x)
    x = Dense(class_num)(x)
    predictions = Activation('softmax')(x)

    # for layer in base_model.layers:
    #     layer.trainable = True

    model = Model(inputs=base_model.input, outputs=predictions)
    return model

第三步：训练代码

1）损失函数为：交叉熵损失函数

2）MobileNetV3Small可以从头训练或者利用预训练模型进行训练：

    w = 1
    if w:
        base_model = MobileNetV3Small(weights='imagenet', include_top=False, input_shape=(width, height, 3))
    else:
        base_model = MobileNetV3Small(weights=None, include_top=False, input_shape=(width, height, 3))

第四步：统计正确率

 正确率高达94.5%

第五步：搭建GUI界面

第六步：整个工程的内容

有训练代码和训练好的模型以及训练过程，提供数据，提供GUI界面代码，主要使用方法可以参考里面的“文档说明_必看.docx”

 

代码的下载路径（新窗口打开链接）：基于keras框架的MobileNetV3神经网络花卉/花朵分类识别系统源码

有问题可以私信或者留言，有问必答