一、介紹
中草藥識別系統(tǒng)杜漠。本系統(tǒng)基于TensorFlow搭建卷積神經(jīng)網(wǎng)絡(luò)算法（ResNet50算法）通過對10中常見的中草藥圖片數(shù)據(jù)集（'丹參', '五味子', '山茱萸', '柴胡', '桔梗', '牡丹皮', '連翹', '金銀花', '黃姜', '黃芩'）進行訓練，得到一個識別精度較高的H5格式模型文件察净，然后基于Django開發(fā)可視化的Web網(wǎng)頁操作界面驾茴，實現(xiàn)用戶上傳一張圖片識別其名稱。
二氢卡、效果圖片展示
img_05_20_15_52_04.jpg
img_05_20_15_52_17.jpg
img_05_20_15_52_34.jpg
三锈至、演示視頻 and 代碼 and 安裝
地址：https://www.yuque.com/ziwu/yygu3z/fqkwp6aa2ely3tpx
四、TensorFlow介紹
TensorFlow是一個由Google開發(fā)的開源機器學習庫译秦，廣泛應(yīng)用于各種人工智能領(lǐng)域峡捡，特別是在圖像識別技術(shù)方面表現(xiàn)出色。它支持多種語言接口诀浪，其中Python是最常用的一種棋返。TensorFlow提供了靈活且強大的工具集，可以用來開發(fā)復雜的圖像識別模型雷猪，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）睛竣。
在圖像識別方面，TensorFlow的幾個主要特點包括：
- 高性能計算支持：TensorFlow可以利用GPU和TPU進行高效的數(shù)值計算求摇，極大地加速了模型的訓練和推斷過程射沟。
- 靈活的模型構(gòu)建：TensorFlow提供了多種構(gòu)建模型的方式殊者，包括順序模型、函數(shù)式API以及低級API验夯，使得開發(fā)者能夠根據(jù)需要靈活選擇猖吴。
- 豐富的預(yù)訓練模型和資源：通過TensorFlow Hub，用戶可以訪問大量的預(yù)訓練模型挥转，這些模型可以被用來進行遷移學習海蔽，顯著降低開發(fā)新模型的時間和資源消耗。
- 強大的社區(qū)和生態(tài)系統(tǒng)：作為一個由Google支持的項目绑谣，TensorFlow擁有廣泛的開發(fā)者社區(qū)和生態(tài)系統(tǒng)党窜，提供豐富的教程、工具和庫來支持開發(fā)者借宵。
下面是使用TensorFlow構(gòu)建一個簡單的CNN模型來分類CIFAR-10數(shù)據(jù)庫中的圖像幌衣。CIFAR-10是一個常用的圖像分類數(shù)據(jù)集，包含60000張32x32的彩色圖像壤玫，分為10個類別豁护。
import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as not
# 加載CIFAR-10數(shù)據(jù)集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()
# 數(shù)據(jù)預(yù)處理，歸一化
train_images, test_images = train_images / 255.0, test_images / 255.0
# 構(gòu)建模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))
# 編譯模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# 訓練模型
history = model.fit(train_images, train_labels, epochs=10,
validation_data=(test. images, test_labels))
# 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f"Test accuracy: {test_acc}")
