1. 项目概述
这个花卉分类识别系统采用了ResNet作为主干网络，基于PyTorch框架进行模型训练和测试。系统能够有效区分10种不同类别的花卉，准确率超过98%。项目完整实现了从数据准备、模型训练到线上部署的全流程，并提供了容器化部署方案。
2. 技术选型与架构设计
2.1 核心框架选择
项目采用PyTorch作为深度学习框架，主要基于以下考虑：
- PyTorch的动态图机制更适合研究型项目开发
- 丰富的预训练模型库和社区支持
- 与ONNX格式的良好兼容性，便于后续部署
2.2 模型架构设计
系统使用ResNet作为主干网络，主要优势在于：
- 残差连接有效解决了深层网络梯度消失问题
- 预训练权重提供了良好的特征提取能力
- 模型深度可灵活调整（ResNet18/34/50等）
import torch import torchvision.models as models # 加载预训练ResNet模型 model = models.resnet50(pretrained=True) # 修改最后一层全连接层 num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs, 10) # 10分类任务2.3 部署方案设计
系统采用三层架构：
- 模型层：ONNX格式模型文件
- 服务层：Flask实现的REST API
- 部署层：Docker容器化部署
3. 数据准备与预处理
3.1 数据集构建
项目融合了多个公开花卉数据集，包括：
- Oxford 102 Flowers Dataset
- Kaggle Flowers Recognition
- 自采集补充数据
经过数据清洗后，最终构建了包含10类花卉，每类约1000张图像的数据集。
3.2 数据增强策略
为提高模型泛化能力，采用了以下增强方法：
from torchvision import transforms train_transform = transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])3.3 数据加载实现
from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder train_dataset = ImageFolder('data/train', transform=train_transform) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)4. 模型训练与优化
4.1 训练参数配置
关键训练参数设置：
- 学习率：初始0.001，余弦退火调度
- 优化器：AdamW
- 损失函数：交叉熵损失
- 训练轮次：100
- Batch Size：32
4.2 训练过程实现
import torch.optim as optim criterion = torch.nn.CrossEntropyLoss() optimizer = optim.AdamW(model.parameters(), lr=0.001) for epoch in range(100): model.train() for inputs, labels in train_loader: optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step()4.3 模型评估指标
系统采用以下评估指标：
- 准确率（Accuracy）
- 混淆矩阵（Confusion Matrix）
- 每类精确率/召回率
5. 模型部署方案
5.1 ONNX模型导出
dummy_input = torch.randn(1, 3, 224, 224) torch.onnx.export(model, dummy_input, "flower_classifier.onnx")5.2 Flask API实现
from flask import Flask, request, jsonify import onnxruntime as ort app = Flask(__name__) ort_session = ort.InferenceSession("flower_classifier.onnx") @app.route('/predict', methods=['POST']) def predict(): file = request.files['image'] # 预处理图像 # 运行推理 outputs = ort_session.run(None, {'input': processed_image}) # 返回结果 return jsonify({'class': predicted_class})5.3 Docker容器化
Dockerfile配置示例：
FROM python:3.8-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt COPY . . CMD ["gunicorn", "-b", "0.0.0.0:5000", "app:app"]6. 性能优化技巧
6.1 模型量化
# 动态量化 quantized_model = torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtype=torch.qint8 )6.2 ONNX Runtime优化
options = ort.SessionOptions() options.graph_optimization_level = ort.GraphOptimizationLevel.ORT_ENABLE_ALL ort_session = ort.InferenceSession("model.onnx", options)6.3 缓存机制实现
from functools import lru_cache @lru_cache(maxsize=100) def load_model(model_path): return ort.InferenceSession(model_path)7. 常见问题与解决方案
7.1 类别不平衡问题
解决方案：
- 采用加权交叉熵损失
- 过采样少数类别
- 数据增强时侧重少数类别
7.2 过拟合问题
应对措施：
- 增加Dropout层
- 早停机制（Early Stopping）
- 更激进的数据增强
7.3 部署性能问题
优化方向：
- 模型量化
- 使用TensorRT加速
- 批处理预测请求
8. 扩展与改进方向
8.1 多模态识别
结合花卉图像和文本描述进行多模态分类
8.2 细粒度分类
提升对相似花卉品种的区分能力
8.3 移动端部署
开发轻量级模型适配移动设备
提示：实际部署时建议添加API限流和认证机制，确保服务稳定性