基于深度学习的Python植物识别系统源码.zip

# Features - Identify 4,066 plant taxa (maybe genus, species, subspecies, variety, etc.). - Model size is 29.5M; top1/top5 accuracy is 0.848/0.959. - Open-source model, easy-to-use interface. - Update continuously. # Installation You need install Anaconda, then run below: ``` git clone https://github.com/quarrying/quarrying-plant-id.git cd quarrying-plant-id conda create -n plantid python=3.6 -y conda activate plantid pip install -r requirements.txt ``` # Usage ## Method I: Python Interface ```python import cv2 import plantid plant_identifier = plantid.PlantIdentifier() image = cv2.imread(image_filename) outputs = plant_identifier.identify(image, topk=5) if outputs['status'] == 0: print(outputs['results']) else: print(outputs) ``` You can also see [demo.py](<demo.py>). ## Method II: Website Goto <https://www.quarryman.cn/plant> which powered by this repo. ## Method III: Telegram For those who use [telegram](https://telegram.org/), the algorithm is now deployed on [Yuuka](https://telegram.me/iplantcn_bot). # Details 一些细节 数据收集和整理 数据是深度学习的基石, 笔者花了大量的时间在数据收集和整理上. 数据的主要来源有: 百度图片, 必应图片, 新浪微博, 百度贴吧, 新浪博客和一些专业的植物网站等. 除了新浪微博, 其他都用了爬虫. 另外还有一些数据是笔者自己拍摄的. 爬虫爬取的图像的质量参差不齐, 标签可能有误, 且存在重复文件, 因此必须清洗. 笔者尝试的清洗方法包括自动化清洗, 半自动化清洗和手工清洗. 自动化清洗包括: 滤除小尺寸图像. 滤除宽高比很大或很小的图像. 滤除灰度图像. 图像去重: 根据图像感知哈希. 半自动化清洗包括: 图像级别的清洗: 利用预先训练的植物/非植物图像分类器对图像文件进行打分, 非植物图像应该有较低的得分; 利用前一阶段的植物分类器对图像文件 (每个文件都有一个预标类别) 进行预测, 取预标类别的概率值为得分, 不属于原预标类别的图像应该有较低的得分. 可以设置阈值, 滤除很低得分的文件; 另外利用得分对图像文件进行重命名, 并在资源管理器选择按文件名排序, 以便于后续手工清洗掉非植物图像和不是预标类别的图像. 类级别的清洗: 参考 数据集清洗方法几则. 手工清洗: 人工判断文件夹下图像是否属于文件夹名所标称的物种, 这需要相关的植物学专业知识, 是最耗时且枯燥的环节, 但也凭此认识了不少的植物. 数据现状 笔者把收集的数据集分为了正式集和候选集. 正式集每个分类单元的图像数基本上都在 100 张以上, 主要用来做训练. 候选集中的物种的图像比较少, 待图像量上来后会加入到正式集中, 或者后面直接用来做植物检索的底库. 20210413: 正式集有 1,320 个分类单元, 460,352 张图像. 20210609: 正式集有 1,630 个分类单元, 586,557 张图像. 20210718: 正式集有 2,002 个分类单元, 749,763 张图像. 20210905: 正式集有 2,759 个分类单元, 996,690 张图像; 候选集有 3,784 个分类单元, 80,893 张图像. 20211024: 正式集有 4,066 个分类单元, 1,451,934 张图像; 候选集有 3,248 个分类单元, 69,396 张图像. 模型训练 受算力和显存所限 (仅有一块 GTX 1660), 骨干网络选用轻量级的网络 (如 ResNet18, MobileNetV2_1.0), 损失函数为 softmax 交叉熵. 优化器为 SGD, 使用了 L2 正则化, 标签平滑正则化, 余弦退火学习率衰减策略和学习率预热. 这个方案比较保守, 待笔者有了更多的算力, 会尝试一些新的方案, 如细粒度图像检索 (FGIR), 度量学习, 自监督学习, 模型蒸馏等. 当前的模型直接输出各类的置信度, 也可以将模型改造成特征提取器, 用自己的植物图像来构造底库, 这样可以用图像检索的方式来进行植物识别, 可扩展性更高. 20210413: 发布的模型训练了 30 个 epoch, 在 GTX 1660 上大概用了 39 个小时, 在 23,026 张图像的测试集上, Top1 准确率为 0.940. 20210609: 发布的模型训练了 30 个 epoch, 在 GTX 1660 上大概用了两天多, 在 29,313 张图像的测试集上, Top1 准确率为 0.924. 20210718: 发布的模型训练了 30+ 个 epoch, 在 GTX 1660 上大概用了三天多, 在 74,961 张图像的测试集上, Top1 准确率为 0.900. 20210905: 发布的模型训练了 30 个 epoch, 在 GTX 1660 上大概用了三天多, 在 99,676 张图像的测试集上, Top1 准确率为 0.890, Top5 准确率为 0.970. 20211024: 发布的模型训练了 30 个 epoch, 在 GTX 1660 上大概用了两天多, 在 145,168 张图像的测试集上, Top1 准确率为 0.848, Top5 准确率为 0.959. # ChangeLog - 20211024 Release model which supports 4066 plant taxa, top1/top5 accuracy is 0.848/0.959. - 20210905 Release model which supports 2759 plant taxa, top1/top5 accuracy is 0.890/0.971. - 20210718 Release model which supports 2002 plant taxa. - 20210609 Release model which supports 1630 plant taxa. - 20210413 Release model which supports 1320 plant taxa.