77。人工智能农作物生长情况识别

　　数据集介绍
　　来源：中国农业大学农作物生长情况识别挑战赛
　　数据包括：一个train文件夹，存放草莓处于营养生长阶段的图片。共557张。一个test文件夹，有230张测试图片。一个train。csv文件。格式内容如下：
　　imageid
　　categoryid
　　a1009。jpg
　　0hra1011。jpg
　　2hra1025。jpg
　　3hr其中包含有作物图片及生长情况标签。草莓生长阶段大致可以分为以下几个阶段：生长期、开花期、结果期、成熟期。一、整理数据集导入库importosimportpandasaspdimportnumpyasnpimportmatplotlib。pyplotaspltimportmatplotlib。imageasmpimgbasedirstrawberrytraincsvtrain。csvclassnames〔growth，flowering，fruit，seed〕读取数据集datapd。readcsv（os。path。join（basedir，traincsv））data。head（）随机乱序datadata。sample（frac1）。resetindex（dropTrue）拆分训练集和测试集traindatadata。iloc〔：int（0。8len（data））〕valdatadata。iloc〔int（0。8len（data））：〕统计每个类别的数量classnumdata。groupby（label）。count（）print（classnum）trainnumtraindata。groupby（label）。count（）valnumvaldata。groupby（label）。count（）print（trainnum，valnum）运行结果：每种情况分类数量imagelabel0146114521463120imagelabel011711142120394imagelabel029131226326根据类别把图片分类，并复制到对应的文件夹importshutilfordindata。label。unique（）：ifnotos。path。exists（os。path。join（basedir，crops，str（d）））：os。mkdir（os。path。join（basedir，crops，str（d）））foriindata〔data。labeld〕。index：shutil。copy（os。path。join（basedir，train，data。iloc〔i〕〔0〕），os。path。join（basedir，crops，str（d）））随机取1条数据，并显示idxnp。random。randint（0，len（traindata），size1）plt。figure（figsize（10，10））imgfileos。path。join（basedir，train，traindata〔idx〕〔0〕〔0〕）imgmpimg。imread（imgfile）labelclassnames〔traindata〔idx〕〔0〕〔1〕〕plt。imshow（img）plt。title（label）plt。axis（off）plt。show（）
　　二、模型训练
　　这里还是选择PPLCNet轻量级型分类模型作为演示。模型训练importpaddlexaspdxfrompaddleximporttransformsasT定义训练和验证时的transformstraintransformsT。Compose（〔T。RandomCrop（cropsize224），T。RandomHorizontalFlip（），T。Normalize（）〕）evaltransformsT。Compose（〔T。ResizeByShort（shortsize256），T。CenterCrop（cropsize224），T。Normalize（）〕）定义训练和验证时的数据集traindatasetpdx。datasets。ImageNet（datadirstrawberrycrops，fileliststrawberrycropstrainlist。txt，labelliststrawberrycropslabels。txt，transformstraintransforms，shuffleTrue）evaldatasetpdx。datasets。ImageNet（datadirstrawberrycrops，fileliststrawberrycropsvallist。txt，labelliststrawberrycropslabels。txt，transformsevaltransforms）初始化模型，并进行训练numclasseslen（traindataset。labels）modelpdx。cls。PPLCNetssld（numclassesnumclasses）model。train（numepochs20，pretrainweightsIMAGENET，traindatasettraindataset，trainbatchsize64，evaldatasetevaldataset，lrdecayepochs〔5，10，15〕，learningrate0。01，savediroutputpplcnetcrops，logintervalsteps10，labelsmoothing。1，usevdlFalse）最后训练数据：〔TRAIN〕Epoch20finished，loss0。41098955，acc10。9869792，acc41。0。〔INFO〕Starttoevaluate（totalsamples111，totalsteps2）。。。〔INFO〕〔EVAL〕Finished，Epoch20，acc10。963098，acc41。000000。〔INFO〕Currentevaluatedbestmodelonevaldatasetisepoch2，acc10。984375〔INFO〕Modelsavedinoutputpplcnetcropsepoch20。三、模型预测
　　测试数据模型预测，并预测结果写入csv文件importpaddlexaspdximportmatplotlib。pyplotaspltimportmatplotlib。imageasmpimg创建推理对象predictorpdx。deploy。Predictor（outputpplcnetcropsinferencemodel，usegpuTrue）res〔〕存放预测结果遍历测试数据文件夹forfinos。listdir（os。path。join（basedir，test））：fnameos。path。join（basedir，test，f）imgmpimg。imread（fname）resultpredictor。predict（img）print（f，classnames〔int（result〔0〕〔category〕）〕：str（result〔0〕〔score〕））res。append（〔f，classnames〔int（result〔0〕〔category〕）〕〕）结果写入csv文件，加表头importpandasaspdpd。DataFrame（res）。tocsv（os。path。join（basedir，submit。csv），indexFalse，header〔image，label〕）