一种图像识别，基于TensorFlow训练，识别4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，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。
包含3000多张，4种不同花的照片，用cpu训练大概半小时，效果不错，利用好自己可以加以改进！

# 将原始图片转换成需要的大小，并将其保存
# ========================================================================================
import os
import tensorflow as tf
from PIL import Image

# 原始图片的存储位置
orig_picture = ‘D:/ML/flower/flower_photos/‘

# 生成图片的存储位置
gen_picture = ‘D:/ML/flower/input_data/‘

# 需要的识别类型
classes = {‘dandelion‘ ‘roses‘ ‘sunflowers‘‘tulips‘}

# 样本总数
num_samples = 4000


# 制作TFRecords数据
def create_record（）:
    writer = tf.python_io.TFRecordWriter（“flower_train.tfrecords“）
    for index name in enumerate（classes）:
        class_path = orig_picture + “/“ + name + “/“
        for img_name in os.listdir（class_path）:
            img_path = class_path + img_name
            img = Image.open（img_path）
            img = img.resize（（64 64））  # 设置需要转换的图片大小
            img_raw = img.tobytes（）  # 将图片转化为原生bytes
            print（index img_raw）
            example = tf.train.Example（
                features=tf.train.Features（feature={
                    “label“: tf.train.Feature（int64_list=tf.train.Int64List（value=[index]））
                    ‘img_raw‘: tf.train.Feature（bytes_list=tf.train.BytesList（value=[img_raw]））
                }））
            writer.write（example.SerializeToString（））
    writer.close（）


# =======================================================================================
def read_and_decode（filename）:
    # 创建文件队列不限读取的数量
    filename_queue = tf.train.string_input_producer（[filename]）
    # create a reader from file queue
    reader = tf.TFRecordReader（）
    # reader从文件队列中读入一个序列化的样本
    _ serialized_example = reader.read（filename_queue）
    # get feature from serialized example
    # 解析符号化的样本
    features = tf.parse_single_example（
        serialized_example
        features={
            ‘label‘: tf.FixedLenFeature（[] tf.int64）
            ‘img_raw‘: tf.FixedLenFeature（[] tf.string）
        }）
    label = features[‘label‘]
    img = features[‘img_raw‘]
    img = tf.decode_raw（img tf.uint8）
    img = tf.reshape（img [64 64 3]）
    # img = tf.cast（img tf.float32） * （1. / 255） - 0.5
    label = tf.cast（label tf.int32）
    return img label


# =======================================================================================
if __name__ == ‘__main__‘:
    create_record（）
    batch = read_and_decode（‘flower_train.tfrecords‘）
    init_op = tf.group（tf.global_variables_initializer（） tf.local_variables_initializer（））

    with tf.Session（） as sess:  # 开始一个会话
        sess.run（init_op）
        coord = tf.train.Coordinator（）
        threads = tf.train.start_queue_runners（coord=coord）

        for i in range（num_samples）:
            example lab = sess.run（batch）  # 在会话中取出image和label
            img = Image.fromarray（example ‘RGB‘）  # 这里Image是之前提到的
            img.save（gen_picture + ‘/‘ + str（i） + ‘samples‘ + str（lab） + ‘.jpg‘）  # 存下图片;注意cwd后边加上‘/’
            print（example lab）
        coord.request_stop（）
        coord.join（threads）
        sess.close（）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2020-03-10 23:00  .idea\
     文件         197  2020-03-10 16:31  .idea\misc.xml
     文件         270  2020-02-23 03:58  .idea\modules.xml
     文件         186  2020-02-23 03:58  .idea\other.xml
     文件         443  2020-03-10 16:31  .idea\untitled9.iml
     文件       26950  2020-03-10 23:00  .idea\workspace.xml
     目录           0  2020-03-10 18:38  __pycache__\
     文件        2601  2020-02-23 03:58  __pycache__\input_data.cpython-35.pyc
     文件        2268  2020-03-10 17:45  __pycache__\input_data.cpython-36.pyc
     文件        3420  2020-02-23 03:58  __pycache__\model.cpython-35.pyc
     文件        2842  2020-03-10 17:45  __pycache__\model.cpython-36.pyc
     文件        2316  2020-02-23 03:58  __pycache__\test.cpython-35.pyc
     文件        2045  2020-03-10 18:38  __pycache__\test.cpython-36.pyc
     文件        3223  2020-02-23 03:58  create record.py
     目录           0  2020-03-10 23:03  flower\
     目录           0  2020-03-10 17:05  flower\input_data\
     目录           0  2020-03-10 17:05  flower\input_data\dandelion\
     文件        1717  2018-04-12 15:44  flower\input_data\dandelion\1440samples2.jpg
     文件        1706  2018-04-12 15:44  flower\input_data\dandelion\1441samples2.jpg
     文件        1770  2018-04-12 15:44  flower\input_data\dandelion\1442samples2.jpg
     文件        1897  2018-04-12 15:44  flower\input_data\dandelion\1443samples2.jpg
     文件        2065  2018-04-12 15:44  flower\input_data\dandelion\1444samples2.jpg
     文件        1920  2018-04-12 15:44  flower\input_data\dandelion\1445samples2.jpg
     文件        1967  2018-04-12 15:44  flower\input_data\dandelion\1446samples2.jpg
     文件        2245  2018-04-12 15:44  flower\input_data\dandelion\1447samples2.jpg
     文件        2359  2018-04-12 15:44  flower\input_data\dandelion\1448samples2.jpg
     文件        2281  2018-04-12 15:44  flower\input_data\dandelion\1449samples2.jpg
     文件        1621  2018-04-12 15:44  flower\input_data\dandelion\1450samples2.jpg
     文件        1870  2018-04-12 15:44  flower\input_data\dandelion\1451samples2.jpg
     文件        2618  2018-04-12 15:44  flower\input_data\dandelion\1452samples2.jpg
     文件        1284  2018-04-12 15:44  flower\input_data\dandelion\1453samples2.jpg
............此处省略3037个文件信息