LattePanda&AI-猫狗识别

概述

深度学习正迅速成为人工智能应用的关键工具。例如，在计算机视觉、自然语言处理和语音识别等领域，深度学习已经取得显著的成果。因此，人们对深度学习的兴趣也越来越浓厚。
深度学习中最突出的问题之一是图像分类。图像分类的目的是根据潜在的类别对特定的图像进行分类。图像分类的一个经典示例是在一组图像中识别猫和狗。

本项目中我们将实现对图片中猫和狗的识别，首先训练数据集中的猫狗图片，获得模型文件，然后用测试图片来测试识别效果。更进一步的，我们将修改程序，以实现对其他物体的训练与测试。

项目基础

识猫狗识别

硬件准备：

AI主控：LattePanda
输入输出设备：5英寸显示屏、键盘、鼠标

程序编写：

1、双击桌面上的“startpage.sh”，打开JupyterLab，切换到“home/lattepanda/桌面/LattePanda&AI项目实战/”目录下，如下图，检查一下项目必需的3个文件；
2、双击“LattePanda&AI-猫狗识别”，进入该文件夹：

• 数据集——一个完整的数据集包括训练集、验证集、测试集三个部分：
  
  train——训练集（Training Set）——用于训练模型
  validation——验证集（Validation Set）——用于调整和选择模型
  测试调用图片——测试集（Test Set）——用于评估最终的模型
  为了使模型的准确度更高，这三个部分所包含的图片都是不相同的，而图片大小和数量亦需要控制。
  
  3、双击打开“猫狗识别训练.ipynb”；
  *本次的训练模型文件会覆盖上一次的文件，为了便于观察，请在训练前将“猫狗识别.h5”和“猫狗识别.npy”删除。
  
  样例代码——训练部分：
  
  样例代码——测试部分：
  
  5、运行程序，程序所在目录下生成“猫狗识别.h5”和“猫狗识别.npy”文件，最后显示测试结果。

项目进阶

训练、识别其他物体

训练程序不仅能用于猫狗这类小动物的训练与测试，还可用于其他物体的训练与识别。

1、首先我们打开数据集，将“猫狗识别”重命名为“物体识别”；

2、进入“数据集/物体识别/train”中，添加新的图片库，以“cars”为例，该文件夹中含有1000张汽车照片，大小在5KB~40KB，

接着进入“数据集/物体识别/validation”中，添加对应的图片库，该文件夹中的图片数量可少于训练集中图片库，但是必需保证训练集、测试集、验证集中的每张图片里的汽车是不同的，以提高识别的准确度；

3、重新回到“LattePanda&AI-猫狗识别”目录下，重命名训练程序，并添加测试集图片；

4、双击打开训练程序，按照下图标识修改程序；
5、运行程序，程序所在目录下生成“物体识别.h5”和“物体识别.npy”文件，最后显示测试结果。

附录

搜索合格的数据集不是一件易事，你可以到Tensorflow（https://www.tensorflow.org/datasets/catalog/overview）的官网里寻找！