探讨水果数据集

BPFS • 2024-10-03 23:45 • 编程

一、数据集介绍

水果数据集包含了各种不同类型的水果图片，如苹果、香蕉、橙子等，总计有约60,000张图片，每种水果都有多个角度和拍摄距离的图片，图片分辨率为100×100像素，标签以数字表示。


import tensorflow as tf
from tensorflow.keras.datasets import fruit

(train_images, train_labels), (test_images, test_labels) = fruit.load_data()

二、数据集分析

首先，我们可以先观察下数据集中各类水果的图像数据及对应标签值的情况。


import matplotlib.pyplot as plt

fig, axs = plt.subplots(5, 5, figsize=(10, 10))
axs = axs.ravel()

for i in range(25):
    axs[i].imshow(train_images[i])
    axs[i].set_title(train_labels[i])
    axs[i].axis('off')

我们可以看到，数据集中的图像分辨率为100×100像素，图像形状不规则，我们需要对图像进行处理，使其能够更好地用于神经网络训练。

其次，我们来观察下数据集中各类水果的数量分布情况。


import numpy as np

unique, counts = np.unique(train_labels, return_counts=True)

plt.figure(figsize=(8, 5))
plt.bar(unique, counts)
plt.title('Quantity Distribution')
plt.xticks(unique)
plt.show()

我们可以看到，数据集中各类水果的数量分布大多数比较均匀，但也有少部分水果类别的数量相对较少，这可能会对训练结果产生影响。

三、数据集预处理

在对数据集进行训练前，我们需要对数据集进行预处理，包括对图像进行归一化、缩放、剪裁等操作，以及对标签进行独热编码处理。


from tensorflow.keras.utils import to_categorical

train_images = train_images / 255.0
test_images = test_images / 255.0

train_images = tf.image.resize(train_images, [64, 64])
test_images = tf.image.resize(test_images, [64, 64])

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

四、模型训练

我们将使用卷积神经网络对水果数据集进行训练，以实现对水果图像的分类识别。


from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.models import Sequential

model = Sequential([
    Conv2D(64, (3, 3), activation='relu', input_shape=(64, 64, 3)),
    MaxPooling2D(2, 2),
    Conv2D(32, (3, 3), activation='relu'),
    MaxPooling2D(2, 2),
    Flatten(),
    Dense(256, activation='relu'),
    Dropout(0.5),
    Dense(120, activation='softmax')
])

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=10, batch_size=128)

五、模型评估

我们使用测试集进行模型评估，并查看模型的准确度和损失值。


test_loss, test_accuracy = model.evaluate(test_images, test_labels)

print('Test loss:', test_loss)
print('Test accuracy:', test_accuracy)

我们可以看到，经过10次训练，我们的模型在测试集上的准确率为约75%。

六、结论

通过对水果数据集进行分析、预处理、模型训练和评估，我们得到了一种可用于水果图像分类的神经网络模型。虽然模型的准确度还可以进一步提高，但这仍然为我们提供了一个很好的开始。

原创文章，作者：BPFS，如若转载，请注明出处：https://www.506064.com/n/131519.html