当前位置：首页 > news >正文

深度学习实战：python动物识别分类检测系统计算机视觉 Django框架 CNN算法深度学习卷积神经网络 TensorFlow 毕业设计（建议收藏）✅

news 2025/10/16 7:58:35

博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

1、2026年计算机专业毕业设计选题大全（建议收藏）✅

2、大数据、计算机专业选题（Python/Java/大数据/深度学习/机器学习）（建议收藏）✅

1、项目介绍

技术栈：
python语言、django框架、TensorFlow、CNN卷积神经网络模型、Echarts可视化

深度学习实战：python动物识别分类检测系统计算机视觉 Django框架 CNN算法深度学习卷积神经网络 TensorFlow 毕业设计（建议收藏）✅

2、项目界面

（1）首页
在这里插入图片描述

（2）上传图片检测识别
在这里插入图片描述

（3）识别结果
在这里插入图片描述

（4）词云图分析
在这里插入图片描述

（5）个人中心
在这里插入图片描述

（6）动物信息
在这里插入图片描述

（7）动物大全
在这里插入图片描述

（8）后台管理
在这里插入图片描述

（9）注册登录

在这里插入图片描述

3、项目说明

一、卷积神经网络模型

这段代码使用了 TensorFlow 和 Keras 库来构建和训练一个卷积神经网络（CNN）模型，用于图像分类任务。模型的流程如下：

设置 Django 环境：
代码首先设置了 Django 项目的环境变量，以便在脚本中使用 Django 的设置。
数据路径和参数设置：
定义了训练数据和测试数据的路径，以及批量大小（batch_size）和训练周期（epochs）。
数据预处理：
使用 ImageDataGenerator 类来生成图像数据的增强版本，包括缩放、旋转、平移、剪切、缩放和水平翻转。
加载数据集：
使用 flow_from_directory 方法从指定目录加载训练集和测试集，并将图像大小调整为 224x224 像素，模式设置为分类（categorical）。
获取批量图像和标签：
从训练生成器和测试生成器中获取一批图像和对应的标签。
模型训练函数 train_model：
定义了一个函数 train_model，用于构建、编译、训练和保存模型。
构建模型：
- 如果模型文件已经存在，则加载已存在的模型。
- 如果模型文件不存在，则创建一个新的顺序模型（Sequential），并添加多个卷积层（Conv2D）和最大池化层（MaxPooling2D）。
- 添加一个展平层（Flatten），将多维输入一维化。
- 添加全连接层（Dense），其中包含一个 128 个单元的隐藏层和一个 10 个单元的输出层（因为类别数量为 10）。
编译模型：
使用 Adam 优化器和分类交叉熵损失函数（categorical_crossentropy）来编译模型，并设置准确率（accuracy）作为性能指标。
训练模型：
使用训练生成器的数据训练模型，指定周期数和批量大小。
模型预测和评估：
- 使用训练好的模型对测试集进行预测。
- 计算准确率和精确率（precision），精确率使用 precision_score 函数计算，这里使用了加权平均（weighted）。
- 打印出准确率和精确率。
保存模型：
将训练好的模型保存到指定的文件路径。
执行训练函数：
如果这是主程序，则调用 train_model 函数开始训练模型。

总结来说，这段代码展示了使用 TensorFlow 和 Keras 构建和训练一个简单的 CNN 模型的完整流程，包括数据预处理、模型构建、编译、训练、评估和保存。

4、核心代码

import os
import django
import numpy as np
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras import layers, models
from tensorflow.keras.models import Sequential
from sklearn.metrics import precision_score
from tensorflow.keras.models import load_model
from pathlib import Path# 设置 Django 环境
os.environ.setdefault("DJANGO_SETTINGS_MODULE", "animalProject.settings")
django.setup()# 数据路径
data_path = '动物十大分类/train'
test_data_path = '动物十大分类/valid'# 参数
batch_size = 16
epochs = 10# 数据预处理
train_datagen = ImageDataGenerator(rescale=1. / 255,rotation_range=20,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest'
)# 加载训练集和测试集
train_generator = train_datagen.flow_from_directory(data_path,target_size=(224, 224),batch_size=batch_size,class_mode='categorical',shuffle=True
)test_generator = train_datagen.flow_from_directory(test_data_path,target_size=(224, 224),class_mode='categorical',shuffle=True
)# 获取一个批量的图像和标签
images, labels = train_generator.next()
test_images, test_labels = test_generator.next()# 模型训练
def train_model():# 获取当前工作目录current_dir = os.getcwd()# 定义模型文件的路径，保存在当前目录下model_path = Path(current_dir) / "imgPreAnim.h5"# 检查模型文件是否存在if model_path.exists():print("加载已存在的模型...")model = load_model(model_path)else:print("创建新的模型...")model = models.Sequential()model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)))model.add(layers.MaxPooling2D(pool_size=(2, 2)))model.add(layers.Conv2D(64, (3, 3), activation='relu'))model.add(layers.MaxPooling2D((2, 2)))# 增加其他层可以按照需求解注释# model.add(layers.Conv2D(128,(3,3),activation='relu'))# model.add(layers.MaxPooling2D((2,2)))# model.add(layers.Conv2D(256,(3,3),activation='relu'))# model.add(layers.MaxPooling2D((2,2)))# model.add(layers.Conv2D(512,(3,3),activation='relu'))# model.add(layers.MaxPooling2D((2,2)))model.add(layers.Flatten())# 增加更多层也可以解注释# model.add(layers.Dense(512,activation='relu'))# model.add(layers.Dense(256,activation='relu'))model.add(layers.Dense(128, activation='relu'))model.add(layers.Dense(10, activation='softmax'))  # 10是类别数量# 编译模型model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])# 训练模型model.fit(train_generator, epochs=epochs, batch_size=batch_size)# 使用模型进行预测predictions = model.predict(test_images)correct_predictions = np.argmax(predictions, axis=1) == np.argmax(test_labels, axis=1)accuracy = np.mean(correct_predictions)print(f'准确率：{accuracy}')# 计算精确率prediction = precision_score(np.argmax(test_labels, axis=1), np.argmax(predictions, axis=1), average='weighted')print(f'精确率：{prediction}')# 保存模型model.save(model_path)if __name__ == '__main__':train_model()import os
from tensorflow.keras.preprocessing import image
from tensorflow import keras
import numpy as npdef predAni(img_path):labelNames = ['狗','羊','马','猴','牛','猪','兔','鸡','蛇','虎']# 获取当前脚本所在目录路径，并拼接模型文件路径model_path = os.path.join(os.path.dirname(__file__), 'imgPreAnim.h5')# 加载模型model = keras.models.load_model(model_path)# 处理图片img = image.load_img(img_path, target_size=(224, 224))img_array = image.img_to_array(img)img_array = np.expand_dims(img_array, axis=0)img_array = img_array / 255  # 归一化# 预测predictions = model.predict(img_array)predicted_class = np.argmax(predictions, axis=1)print('预测结果：')print(labelNames[predicted_class[0]])return labelNames[predicted_class[0]]if __name__ == '__main__':predAni('./00000004.jpg')  # 确保这个路径是正确的