四种花

这是一个图像识别项目，基于 tensorflow，现有的 CNN 网络可以识别四种花的种类。适合新手对使用 tensorflow 进行一个完整的图像识别过程有一个大致轮廓。项目包括对数据集的处理，从硬盘读取数据，CNN 网络的定义，训练过程，还实现了一个 GUI 界面用于使用训练好的网络。

需求

1. 安装 Anaconda
2. 导入环境 environment.yaml
   conda env update -f=environment.yaml

快速开始

• 克隆该项目
• 解压 input_data.rar 到你喜欢的目录。
• 修改 train.py 中

train_dir = 'D:/ML/flower/input_data'  # 训练样本的读入路径
logs_train_dir = 'D:/ML/flower/save'  # logs存储路径

为你本机的目录。

• 运行 train.py 开始训练。
• 训练完成后，修改 test.py 中的logs_train_dir = 'D:/ML/flower/save/'为你的目录。
• 运行 test.py 或者 gui.py 查看结果。

four-flower 快速上手指南

four-flower 是一个基于 TensorFlow 的图像识别开源项目，利用 CNN 网络识别四种花卉。该项目涵盖了从数据预处理、模型定义、训练到 GUI 界面展示的完整流程，非常适合新手入门深度学习。

环境准备

• 操作系统：Windows / Linux / macOS
• 核心依赖：
  • Anaconda（推荐用于管理 Python 环境）
  • Python 3.x (具体版本由 environment.yaml 指定)
  • TensorFlow
• 数据集：需单独下载 input_data.rar

安装步骤

1. 克隆项目代码

   git clone <项目仓库地址>
   cd four-flower
   

   (注：请将 <项目仓库地址> 替换为实际的 Git 仓库链接，若在国内访问缓慢，建议使用 Gitee 镜像或配置 Git 加速)

2. 创建并激活 Conda 环境 确保已安装 Anaconda，然后运行以下命令导入环境配置：

   conda env update -f=environment.yaml
   conda activate <你的环境名称>
   

   (注：环境名称请在 environment.yaml 文件中查看 name 字段)

3. 准备数据集

   • 下载 input_data.rar 文件。
   • 将其解压到你本地的任意目录（例如：D:/ML/flower/input_data）。

基本使用

1. 配置训练路径

打开 train.py 文件，修改以下变量为你本地的实际路径：

train_dir = 'D:/ML/flower/input_data'  # 修改为解压后的数据集路径
logs_train_dir = 'D:/ML/flower/save'   # 修改为模型保存路径

2. 开始训练

运行训练脚本，系统将自动读取数据并训练 CNN 模型：

python train.py

3. 测试与可视化

训练完成后，打开 test.py 或 gui.py，同样需要修改模型加载路径：

logs_train_dir = 'D:/ML/flower/save/'  # 修改为训练生成的模型保存路径

• 命令行测试：

  python test.py
  

• 图形界面测试（推荐）：

  python gui.py
  

  运行后将弹出 GUI 窗口，可上传图片进行实时花卉种类识别。