77。人工智能农作物生长情况识别

　　数据集介绍
　　来源：中国农业大学_农作物生长情况识别挑战赛
　　数据包括：一个train文件夹，存放草莓处于营养生长阶段的图片。共557张。一个test文件夹，有230张测试图片。一个train.csv文件。格式内容如下：
　　image_id
　　category_id
　　a1009.jpg
　　0
　　a1011.jpg
　　2
　　a1025.jpg
　　3
　　其中包含有作物图片及生长情况标签。草莓生长阶段大致可以分为以下几个阶段：生长期、开花期、结果期、成熟期。一、整理数据集#导入库 import os  import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.image as mpimg  basedir=＂strawberry＂ train_csv=＂train.csv＂  classnames=[＂growth＂,＂flowering＂,＂fruit＂,＂seed＂] #读取数据集 data=pd.read_csv(os.path.join(basedir,train_csv))#data.head() #随机乱序 data=data.sample(frac=1).reset_index(drop=True) #拆分训练集和测试集 train_data=data.iloc[:int(0.8*len(data))] val_data=data.iloc[int(0.8*len(data)):] # 统计每个类别的数量 classnum=data.groupby(＂label＂).count() print(classnum)  trainnum=train_data.groupby(＂label＂).count() valnum=val_data.groupby(＂label＂).count() print(trainnum,valnum) #运行结果：每种情况分类数量 image label        0        146 1        145 2        146 3        120 image label        0        117 1        114 2        120 3         94         image label        0         29 1         31 2         26 3         26#根据类别把图片分类，并复制到对应的文件夹 import shutil for d in data.label.unique():         if not os.path.exists(os.path.join(basedir,＂crops＂,str(d))):         os.mkdir(os.path.join(basedir,＂crops＂,str(d)))     for i in data[data.label==d].index:         shutil.copy(os.path.join(basedir,＂train＂,data.iloc[i][0]),os.path.join(basedir,＂crops＂,str(d)))#随机取1条数据，并显示 idx=np.random.randint(0,len(train_data),size=1) plt.figure(figsize=(10,10)) imgfile=os.path.join(basedir,＂train＂,train_data[idx][0][0]) img=mpimg.imread(imgfile) label=classnames[train_data[idx][0][1]] plt.imshow(img) plt.title(label) plt.axis(＂off＂) plt.show()
　　二、模型训练
　　这里还是选择PPLCNet轻量级型分类模型作为演示。#模型训练 import paddlex as pdx from paddlex import transforms as T   #定义训练和验证时的transforms train_transforms=T.Compose([T.RandomCrop(crop_size=224),T.RandomHorizontalFlip(),T.Normalize()]) eval_transforms=T.Compose([T.ResizeByShort(short_size=256),T.CenterCrop(crop_size=224),T.Normalize()])  #定义训练和验证时的数据集 train_dataset=pdx.datasets.ImageNet(     data_dir=＂strawberry/crops＂,     file_list=＂strawberry/crops/train_list.txt＂,     label_list=＂strawberry/crops/labels.txt＂,     transforms=train_transforms,     shuffle=True )  eval_dataset=pdx.datasets.ImageNet(     data_dir=＂strawberry/crops＂,     file_list=＂strawberry/crops/val_list.txt＂,     label_list=＂strawberry/crops/labels.txt＂,     transforms=eval_transforms )  #初始化模型，并进行训练 num_classes=len(train_dataset.labels) model=pdx.cls.PPLCNet_ssld(num_classes=num_classes)  model.train(     num_epochs=20,     pretrain_weights=＂IMAGENET＂,     train_dataset=train_dataset,     train_batch_size=64,     eval_dataset=eval_dataset,     lr_decay_epochs=[5, 10, 15],     learning_rate=0.01,     save_dir=＂output/pplcnet-crops＂,     log_interval_steps=10,     label_smoothing=.1,     use_vdl=False)#最后训练数据： [TRAIN] Epoch 20 finished, loss=0.41098955, acc1=0.9869792, acc4=1.0 . [INFO]	Start to evaluate(total_samples=111, total_steps=2)... [INFO]	[EVAL] Finished, Epoch=20, acc1=0.963098, acc4=1.000000 .  [INFO]	Current evaluated best model on eval_dataset is epoch_2, acc1=0.984375 [INFO]	Model saved in output/pplcnet-crops/epoch_20.三、模型预测
　　测试数据#模型预测，并预测结果写入csv文件 import paddlex as pdx import matplotlib.pyplot as plt import matplotlib.image as mpimg #创建推理对象 predictor=pdx.deploy.Predictor(＂output/pplcnet-crops/inference_model＂,use_gpu=True) res=[] #存放预测结果 #遍历测试数据文件夹 for f in os.listdir(os.path.join(basedir,＂test＂)):     fname=os.path.join(basedir,＂test＂,f)     img=mpimg.imread(fname)     result=predictor.predict(img)     #print(f,classnames[int(result[0][＂category＂])]+＂:＂+str(result[0][＂score＂]))     res.append([f,classnames[int(result[0][＂category＂])]])  #结果写入csv文件,加表头 import pandas as pd pd.DataFrame(res).to_csv(os.path.join(basedir,＂submit.csv＂),index=False,header=[＂image＂,＂label＂])