企业官网建设流程全解析

简介：面向深度学习初学者与课程设计开发者，该项目以Python实现花卉图像自动分类识别，覆盖数据预处理、模型构建、训练与测试完整流程，可应用于园艺、生态监测等场景。资源共49个文件，包含15个jpg与13个png花卉图像样本、12个Python源码、训练测试日志及模型文件等，压缩包整体3.36MB，结构清晰便于按模块学习。源码中同时提供MobileNet与CNN两套卷积神经网络实现，采用迁移学习方式，并配有数据划分、读取与预处理脚本，以及heatmap热图可视化结果，可帮助读者直观理解模型关注区域与训练动态。训练日志完整记录了损失与准确率变化，便于分析模型收敛情况和识别错误。目前已有363人学习，适合作为课程设计参考或深度学习图像识别入门实践。

1. 花卉识别课程设计，为什么我推荐直接拆这套源码

花卉识别是深度学习图像分类里最典型的入门题目，但很多人的课程设计翻车不是死在模型上，而是死在数据处理和训练日志看不懂上。这套基于Python深度学习的花卉识别源码，把MobileNet和CNN两条技术路线都跑通了，还附带完整的数据集、训练日志和热力图，课程设计需要的“数据预处理—模型搭建—训练测试—可视化分析”闭环一次给齐。你不需要从零造轮子，把它的数据管道和训练参数吃透，替换成自己的数据集就能复现。适合正在做图像分类课设的本科生，以及想搞懂迁移学习和CNN到底怎么落地的新手。

2. 数据准备与预处理：从原始图像到训练集划分

2.1 数据集构成与读取逻辑

这个项目的data目录结构很直白，按花卉类别建子文件夹，每类下面放若干jpg和png图像。源码包里15个jpg加13个png，数量不多，但足够走通整个流程，也直接暴露了小数据集过拟合的问题——这反而是课程设计里最值得写的分析点。

ReadData.py和getData.py两个文件负责读取和增强。这里用的是TensorFlow/Keras的ImageDataGenerator，好处是不用手动写循环读图，它会自动从目录结构生成标签，还能在训练时做实时数据增强，不占额外磁盘空间。

from tensorflow.keras.preprocessing.image import ImageDataGenerator train_datagen = ImageDataGenerator( rescale=1.0/255.0, 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' ) val_datagen = ImageDataGenerator(rescale=1.0/255.0) train_generator = train_datagen.flow_from_directory( 'data/train', target_size=(224, 224), batch_size=32, class_mode='categorical' )

rescale把像素从0到255归一化到0到1之间，这是所有预训练模型输入的前置要求。rotation_range、width_shift_range这些参数是数据增强的核心，作用是把每张图随机旋转、平移、缩放、翻转，让模型每次epoch看到的图片都不一样。小数据集必须开增强，否则训练集损失降得再低，验证集准确率也上不去。

flow_from_directory里的target_size注意要和后续模型输入尺寸对齐。MobileNet原版输入是224×224，如果你的显卡显存吃紧，可以改成192或者160，但改了就要连模型输入层一起改，否则shape不匹配直接报错。batch_size我给的是32，数据集小的时候32没毛病，迭代次数少，每个epoch能看到更多次参数更新。

2.2 数据集划分：别把所有图片都丢进训练集

DivideData.py解决的是数据划分问题。很多新手把全量数据直接塞给fit，训练集验证集混在一起，最后画出来的准确率曲线是假的。这个项目的划分逻辑是70%训练、20%验证、10%测试，按类别比例分配，保证每个类在三个集合里都有样本。

import os import random import shutil src_root = 'data' train_root = 'data/train' val_root = 'data/val' test_root = 'data/test' for cls_name in os.listdir(src_root): cls_path = os.path.join(src_root, cls_name) if not os.path.isdir(cls_path): continue imgs = os.listdir(cls_path) random.shuffle(imgs) train_cut = int(len(imgs) * 0.7) val_cut = int(len(imgs) * 0.9) for img in imgs[:train_cut]: os.makedirs(os.path.join(train_root, cls_name), exist_ok=True) shutil.copy(os.path.join(cls_path, img), os.path.join(train_root, cls_name, img)) for img in imgs[train_cut:val_cut]: os.makedirs(os.path.join(val_root, cls_name), exist_ok=True) shutil.copy(os.path.join(cls_path, img), os.path.join(val_root, cls_name, img)) for img in imgs[val_cut:]: os.makedirs(os.path.join(test_root, cls_name), exist_ok=True) shutil.copy(os.path.join(cls_path, img), os.path.join(test_root, cls_name, img))

代码先用random.shuffle打乱图片顺序，避免某个类的图片连续排列导致划分偏移。train_cut取70%，val_cut取90%，剩下10%留给测试。验证集和测试集的数据分布要尽量贴近真实场景，所以划分前打乱这一步不能省。

这里有个细节很多人忽略：划分时要保证每个类别内部都按这个比例切，不能把所有图片混在一起再随机分。否则类别A可能大部分落在训练集，类别B大部分落在测试集，模型对A类见过很多、对B类没见过，测试结果完全失真。DivideData_result.txt记录的就是每次划分的统计结果，训练前先看一眼这个文件，确认每类数量均衡再往下走。

2.3 爬虫辅助：CrawlingData.py怎么补充数据

CrawlingData.py是这个包里容易被忽略但很实用的部分。有些花卉类别图片不够，或者类别分布不均，它可以按关键词批量抓取图片补充数据集。抓下来的图质量参差不齐，我建议用它补数据后多做一步清洗，把模糊的、纯色背景的、带水印的图片手动删掉，这类噪声图对分类任务干扰很大。

爬虫逻辑本身不复杂，解析网页里的图片链接然后下载。要注意的是抓取请求别太频繁，加个time.sleep(1)控制节奏，不然很容易被服务端拒绝。补数据的目标是让每类图片数尽量接近，而不是盲目堆数量，类间数量差距超过两倍时模型会明显偏向样本多的类别。

3. 模型搭建与训练：CNN自建网络和MobileNet迁移学习

3.1 CNN.py：从零搭建的基线模型

CNN.py定义了一个经典结构的卷积神经网络，四层卷积加池化，接全连接层输出分类。这个模型的定位是基线模型，用来和MobileNet做对比，证明迁移学习的优势。

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout model = Sequential([ Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)), MaxPooling2D((2, 2)), Conv2D(64, (3, 3), activation='relu'), MaxPooling2D((2, 2)), Conv2D(128, (3, 3), activation='relu'), MaxPooling2D((2, 2)), Flatten(), Dense(128, activation='relu'), Dropout(0.5), Dense(5, activation='softmax') ])

input_shape是224×224×3，和MobileNet输入保持一致，这样两组实验除了模型结构以外没有其他变量。卷积核尺寸统一用3×3，这个尺寸在计算量和感受野之间是平衡点。每层卷积后面接MaxPooling2D，把特征图尺寸减半，通道数逐层翻倍，这是CNN提取特征的标准策略。

Flatten层把多维特征图拉成一维向量，后面接128维全连接层做特征组合，Dropout(0.5)是防过拟合的关键。最后一层Dense(5)对应五个花卉类别，softmax激活输出每个类别的概率。如果你换成自己的数据集，这里5要改成你的类别数，其他地方基本不用动。

输入224×224对CNN来说计算量不小，如果你的训练速度很慢，可以把输入降到128×128，第一层卷积的input_shape同步改，准确率会降几个点，但训练时间能省一半。训练这个自建CNN时，我用的是Adam优化器，初始学习率0.001，训练30到50轮。从训练日志能明显看到，CNN在15轮左右就出现过拟合苗头，训练准确率奔着95%去，验证集却卡在75%上下。

3.2 MobileNet.py：迁移学习的正确打开方式

MobileNet.py的核心不是从零训练，而是加载ImageNet预训练权重，冻结卷积基，只训练自己加的全连接层。这种做法叫迁移学习，是花卉识别这类小数据集任务的标准解法。

from tensorflow.keras.applications import MobileNet from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Dropout from tensorflow.keras.models import Model base_model = MobileNet( weights='imagenet', include_top=False, input_shape=(224, 224, 3) ) base_model.trainable = False x = base_model.output x = GlobalAveragePooling2D()(x) x = Dropout(0.5)(x) predictions = Dense(5, activation='softmax')(x) model = Model(inputs=base_model.input, outputs=predictions)

MobileNet在ImageNet上训练过，已经学会识别边缘、纹理、形状这些通用特征。include_top=False表示去掉顶部分类层，只保留卷积特征提取部分。base_model.trainable = False是冻结权重，让反向传播不更新这些层的参数，这样训练时只更新我们新加的几层，参数量小得多，速度快且不容易过拟合。

GlobalAveragePooling2D替换Flatten是迁移学习的常见做法，它对特征图每个通道取全局平均，输出一个长度等于通道数的向量。这样做的好处是参数比Flatten少得多，而且不容易过拟合。之后接Dropout(0.5)加Dense(5)输出分类。

这里要特别强调trainable的设置时机。如果你先写了base_model.trainable = False，然后编译模型，这个冻结是生效的。但如果你在编译之后才改trainable，必须重新编译才会生效，否则改动不生效也不会报错，训练时你会看到大量参数还在更新，这个问题排查起来非常隐蔽。

3.3 训练参数对比与日志分析

train_log和test_log文件夹里保存了训练和测试的完整日志，里面有loss、accuracy在每个epoch的变化，还有中间保存的权重文件。解读训练日志是课程设计答辩里最容易拿分的地方，你要能从曲线判断出模型状态。

两组实验除了网络结构，训练参数完全一致，这样对比出来的差异才公平。MobileNet收敛速度明显更快，前10个epoch验证准确率就能冲到85%以上，因为预训练权重已经提供了很强的特征提取能力。CNN到后期出现train和val准确率拉开差距，而MobileNet这种情况就温和很多。

看日志时重点关注loss曲线的走向。如果train loss持续下降但val loss提前回升，说明过拟合开始，这时候应该提前终止训练，或者回去调大Dropout、增强数据增强强度。项目里results_mobilenet_30_12.png这类文件名里的数字是第30轮第12个batch的意思，是训练中间过程保存的结果图，配合日志能看到模型从乱猜到逐渐稳定的全过程。

4. 测试、可视化与避坑：热力图能信吗，预测结果怎么解读

4.1 测试流程与结果解读

MobileNet_Test.py和CNN_Test.py做的事情类似，加载训练好的模型权重，对测试集图片做预测，把预测结果和真实标签比对，输出准确率、混淆矩阵，并生成可视化图片。

from tensorflow.keras.models import load_model from tensorflow.keras.preprocessing import image import numpy as np model = load_model('mobilenet/mobilenet_model.h5') img = image.load_img('data/test/daisy/100.jpg', target_size=(224, 224)) img_array = image.img_to_array(img) img_array = np.expand_dims(img_array, axis=0) img_array = img_array / 255.0 pred = model.predict(img_array) class_names = ['daisy', 'dandelion', 'rose', 'sunflower', 'tulip'] print('预测结果:', class_names[np.argmax(pred)], '置信度:', np.max(pred))

加载模型用load_model一行搞定，路径要确认对。预测前图像处理要和你训练时保持一致：target_size必须是224×224，归一化方式也要一致。训练用1.0/255.0归一化，预测就必须用同样的值，这里不一致会导致预测结果莫名其妙地差。

np.expand_dims把单张图片扩展成四维张量，多出来的那一维是batch维。Keras模型接收的输入形状是(batch_size, height, width, channels)，单张图片也要补成(1, 224, 224, 3)。class_names的顺序必须和训练时数据生成器自动生成的类别顺序一致，这个顺序是按文件夹名称字母排序的，你可以在训练时打印train_generator.class_indices确认，写错的话结果图上的标签全是乱的。

置信度不是越高越可信。如果某张预测置信度95%但结果是错的，这说明模型过于自信但判断错了，常见于训练样本太少或者类别间外观过于相似的情况。课程设计的测试报告里，建议除了准确率，再贴几张错分案例，分析是什么原因导致模型认错了，这部分分析比准确率数字本身更有价值。

4.2 热力图可视化：理解模型在看什么

heatmap文件夹里是Grad-CAM热力图，Intertation.py和Intertation_MobileNet.py负责生成。Grad-CAM的作用是告诉你模型做判断时，图像的哪个区域贡献最大，是深度学习可解释性里最常用的工具。

import numpy as np import tensorflow as tf def grad_cam(model, img_array, layer_name): grad_model = tf.keras.models.Model( inputs=[model.inputs], outputs=[model.get_layer(layer_name).output, model.output] ) with tf.GradientTape() as tape: conv_output, predictions = grad_model(img_array) true_class = np.argmax(predictions[0]) loss = predictions[:, true_class] grads = tape.gradient(loss, conv_output) weights = tf.reduce_mean(grads, axis=(1, 2)) cam = np.zeros(conv_output.shape[1:3], dtype=np.float32) for i in range(conv_output.shape[-1]): cam += weights[0, i] * conv_output[0, :, :, i] return cam

layer_name要选最后一层卷积层，因为它的空间分辨率和语义特征最平衡。MobileNet的最后一层卷积层叫conv_pw_13_relu，自建CNN的最后一层卷积是第3个conv层，具体名字用model.summary()查，写错层名会直接报错。

GradientTape是TensorFlow的自动求导上下文。计算流程是：先对输入图做一次前向传播拿到特征图和预测结果，确定预测概率最大的类别，再对这个类别的loss反向求梯度。梯度的含义是：特征图每个位置对预测结果的影响程度。weights是按通道求平均梯度，代表每个特征通道的总体贡献，然后按通道加权累加，得到一张和特征图尺寸相同的响应热力图。

热力图不是最终可视化结果，后面还要把它resize回原图尺寸，叠加到原图上。叠加的透明度alpha建议控制在0.4到0.5之间，太透明看不清热区，太浓会遮住原图细节。看到模型在花瓣中心区域激活最强，说明它学到的是花卉本身的形态特征，如果激活区域在背景上，说明模型偷懒，学到的可能是背景特征而不是花朵特征，这时就要考虑增强数据或者换训练集扩充策略。

4.3 避坑指南：这五个坑我全部踩过

第一个坑是数据集太小导致明显过拟合。现象：训练准确率99%，验证集只有65%，train和val曲线越分越开。原因：五类花卉总共28张图，CNN参数量远超样本量，模型把训练集细节背下来了。解决：开满数据增强，迁移学习用MobileNet，Dropout提到0.5以上，这是这套源码设计好两条路线的原因——用结果对比来论证过拟合。

第二个坑是预测时归一化方式和训练不一致。现象：训练准确率很高，测试时predict结果惨不忍睹。原因：训练用1.0/255.0，测试时忘了归一化，直接拿原像素值0到255的数组输入模型。解决：检查测试脚本里有没有除255，没有就补上，这个错误不会报错，只会让结果变差，很难排查。

第三个坑是层名写错导致热力图生成失败。现象：grad_cam调用报错说找不到层。原因：不同模型层命名差异很大，MobileNet的层名是conv_pw_13_relu这种格式，自己写的CNN层名是conv2d_1这种。解决：先运行model.summary()打印全量层结构，手动确认要选的卷积层名称，再传给grad_cam。

第四个坑是文件路径中文乱码。现象：flow_from_directory报编码错误，或者读图失败。原因：数据文件夹名或者图片名里有中文，TensorFlow在Windows下处理中文路径容易出问题。解决：统一改成英文字母和下划线的目录结构，图片名也改成纯英文，这种问题排查起来特别浪费时间，一开始就用英文最省心。

第五个坑是GPU显存不足。现象：训练时OOM报错。原因：224×224输入加32的batch size，对显存有一定要求。解决：batch_size从32改到8或16，或者把target_size降到160×160，两个模型都同步改。显存不够时优先降batch size，对准确率影响最小。

5. 进阶用法与调试技巧：冻结层微调、win.py可视化界面与结果图拼比

上面已经把两个模型完整跑通，接下来这段是我实际调试中比较有用的一层——弄懂权重冻结和微调。前面MobileNet部分把整个卷积基全部冻结，这是标准做法，但有个更好的思路：训练几轮、把全连接层调好后，把最后几层卷积解冻，用很小的学习率一起微调。

base_model.trainable = True for layer in base_model.layers[:80]: layer.trainable = False model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=1e-5), loss='categorical_crossentropy', metrics=['accuracy'] )

解冻后训练必须把学习率降下来，1e-5比初始学习率低两个数量级。原因是预训练权重已经很好了，学习率太大会把原有特征破坏掉，学到的还是之前全连接层学到的决策边界。用model.layers[:80]保留前八十层不动，只微调后面的层，这些层学到的特征更接近任务本身。

win.py是图形界面，用了简单的文件选择和模型加载逻辑，完成后预测和热力图生成都可以在窗口里操作。对于课程设计答辩来说，演示效果比在命令行里跑脚本直观得多。如果你要改这个界面，核心逻辑在按钮事件里：选择图片、加载模型、调用预测函数、把结果和热力图显示到画布上。注意界面预测和脚本测试必须共用一套预处理函数，不然又会出现归一化不一致的问题。

最后说一个实用的习惯。每次我训练完一组实验，会把results_cnn_4.png和results_mobilenet_50_14.png这类图放到同一个文件夹，文件名保留轮数和batch数，做一组Excel表格记录每组实验的参数、准确率、过拟合情况。答辩时把几组对比图并排放，说明为什么迁移学习在小数据集上表现更好，比背一百行代码更能体现你真正理解了深度学习流程。

从那以后我每次做图像分类，都强制自己先跑通一个小型基线模型，记录准确率和训练时间，再上迁移学习做对比。有了基线，所有后续优化的效果都是可量化的，而不是拍脑袋说提升了不少。希望这个项目的源码和这份拆解能帮到你，按照文章里的步骤跑一遍，再把数据和类别换成自己的，一套完整的课设报告素材就到手了。

本文还有配套的精品资源，点击获取