目录
设计项目案例演示地址: 链接
毕业设计代做选题指导项目方向涵盖：
1. 前言
本项目将采用深度学习的方法，搭建一个鸟类分类识别的训练和测试项目，实现一个简单的鸟类图像分类识别系统。项目收集了26种鸟类品种Bird-Dataset26，约有20000+图片数据；在鸟类数据集Bird-Dataset26上，基于ResNet18的鸟类分类识别，训练集的Accuracy在98%左右，测试集的Accuracy在95%左右，骨干网络，可支持googlenet, resnet[18,34,50], inception_v3，mobilenet_v2等常用模型。
模型input sizeTest准确率****mobilenet_v2224×22495.0000%googlenet224×22496.1538%resnet18224×22495.9615%
2. 鸟类数据集
（1）Bird-Dataset26
项目收集了多个鸟类品种的数据集，命名为Bird-Dataset26，该数据集共收集了26 种鸟类品种，包含常见的鹰，孔雀等鸟种类，总数据超过2万张图片，平均每个种类有约有700+的图片；数据分为train和test，其中训练集train共有20000+张鸟类图像，测试集test共有500+张鸟类图像，可满足深度学习鸟类品种分类识别的需求。
Bird-Dataset26，部分数据是通过网上爬取的，存在部分错误的图片，尽管鄙人已经清洗一部分了，但还是建议你，训练前，再次清洗数据集，不然会影响模型的识别的准确率。鸟类图片数据，可以在这里检索：中国观鸟记录中心
Bird-Dataset26包含的26种鸟类品种，类别名称分别是：
八色鸫
白鹡鸰
白胸翡翠
白胸苦恶鸟
斑头绿拟啄木
赤颈鹤
赤麻鸭
赤胸拟啄木鸟
丛林鸫鹛
戴胜鸟
凤头麦鸡
灰鹡鸰
灰犀鸟
家八哥
家鸦
孔雀
蓝胸佛法僧
绿喉蜂虎
牛背鹭
普通翠鸟
普通缝叶莺
普通朱雀
肉垂麦鸡
山鹡鸰
鹰
棕腹树鹊
（2）自定义数据集
如果需要新增类别数据，或者需要自定数据集进行训练，可以如下进行处理：
- Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称，如
- 类别文件：一行一个列表：?class_name.txt? (最后一行,请多回车一行)
- 修改配置文件的数据路径：?config.yaml?
3. 鸟类分类识别模型训练
本项目以Bird-Dataset26鸟类数据集为训练和测试样本。
（1）项目安装
整套工程基本框架结构如下：
项目依赖python包请参考requirements.txt，使用pip安装即可：
（2）准备Train和Test数据
下载鸟类品种分类数据集，Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称。
数据增强方式主要采用：** 随机裁剪，随机翻转，随机旋转，颜色变换**等处理方式
（4）开始训练
整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。
训练完成后，在鸟类品种数据集Bird-Dataset26上，训练集的Accuracy在98%左右，测试集的Accuracy在95%左右，骨干网络，可支持googlenet, resnet[18,34,50], inception_v3，mobilenet_v2等常用模型，用户可以自行选择模型训练。
模型input sizeTest准确率****mobilenet_v2224×22495.0000%googlenet224×22496.1538%resnet18224×22495.9615%
（5）可视化训练过程
训练过程可视化工具是使用Tensorboard，使用方法，在终端输入：
可视化效果
?
?
（6）一些优化建议
如果想进一步提高准确率，可以尝试：
- 最重要的： 清洗数据集，鸟类品种数据集Bird-Dataset26，大部分数据是通过网上爬取的，存在部分错误的图片，尽管鄙人已经清洗一部分了，但还是建议你，训练前，再次清洗数据集，不然会影响模型的识别的准确率。+ 使用不同backbone模型，比如resnet50或者更深，参数量更大的模型+ 增加数据增强： 已经支持：** 随机裁剪，随机翻转，随机旋转，颜色变换等数据增强方式，可以尝试诸如mixup，CutMix**等更复杂的数据增强方式+ 样本均衡： 建议进行样本均衡处理，避免长尾问题+ 调超参： 比如学习率调整策略，优化器（SGD,Adam等）+ 损失函数： 目前训练代码已经支持：交叉熵，LabelSmoothing，可以尝试FocalLoss等损失函数
（7） 一些运行错误处理方法：
- 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！ + cannot import name ‘load_state_dict_from_url’
由于一些版本升级，会导致部分接口函数不能使用，请确保版本对应
torch==1.7.1
torchvision==0.8.2
或者将对应python文件将
修改为：
4. 鸟类分类识别模型测试效果
demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了
运行测试结果：
pred_index:[‘灰犀鸟’],pred_score:[0.5273883]
