项目简介本项目是一个基于 Django 和 PyTorch 的昆虫图像二分类识别系统专注于实现蚂蚁ants与蜜蜂bees的智能识别。系统采用前后端分离的设计理念为用户提供简洁直观的网页上传界面后端则集成了多种先进的深度学习模型进行图像分类推理。核心功能用户可通过网页上传图片系统自动调用预训练的深度学习模型进行识别实时返回预测类别、置信度以及所使用的模型信息。本项目不仅实现了基础的图像分类功能还提供了完整的模型训练、评估和可视化流程适合作为深度学习图像分类项目的入门实践或二次开发模板。项目价值学习价值涵盖从数据处理、模型训练到 Web 部署的完整深度学习应用开发流程实用价值可作为昆虫识别、农业监测等场景的技术原型扩展价值模块化设计便于替换数据集、调整模型架构或集成新的深度学习算法技术栈后端框架Django 4.x作为 Web 后端框架提供 RESTful API 接口和用户界面Django REST Framework用于构建高效的后端 API 服务深度学习框架PyTorch 2.0主流的深度学习框架支持动态计算图和丰富的模型库数据处理与可视化Pandas用于训练结果数据的处理和分析Matplotlib生成训练过程可视化图表和性能对比图Pillow (PIL)图像预处理和格式转换支持的深度学习模型本项目集成了多种经典的计算机视觉模型架构便于对比实验传统 CNN 模型AlexNet、VGG、ResNet、GoogLeNet、DenseNet轻量级模型MobileNet、ShuffleNet、EfficientNet现代视觉模型RegNet、Swin Transformer、Vision Transformer (ViT)开发与部署工具Python 3.8主要编程语言HTML/CSS/JavaScript前端界面开发Excel/CSV训练结果导出格式数据集说明数据集结构与来源本项目使用经典的hymenoptera_data数据集专门用于蚂蚁与蜜蜂的二分类任务。数据集按照标准的 ImageFolder 格式组织便于 PyTorch 直接加载。目录结构data_set/hymenoptera_data/ ├── train/ # 训练集 │ ├── ants/ # 蚂蚁类别图片 │ │ ├── ant_001.jpg │ │ ├── ant_002.jpg │ │ └── ... │ └── bees/ # 蜜蜂类别图片 │ ├── bee_001.jpg │ ├── bee_002.jpg │ └── ... └── val/ # 验证集 ├── ants/ # 蚂蚁验证图片 └── bees/ # 蜜蜂验证图片数据集统计信息类别训练集数量验证集数量总计蚂蚁 (ants)124 张70 张194 张蜜蜂 (bees)121 张83 张204 张合计245 张153 张398 张数据集特点小规模高质量虽然数据量不大但图片质量较高适合快速实验和原型验证类别平衡两个类别的样本数量基本平衡避免类别不平衡问题多样性包含不同角度、光照条件和背景的昆虫图片标准格式采用 PyTorch 推荐的 ImageFolder 格式便于扩展其他数据集数据增强策略为提升模型泛化能力训练过程中应用了多种数据增强技术随机水平翻转增加样本多样性随机旋转±10度范围内的旋转颜色抖动调整亮度、对比度和饱和度标准化使用 ImageNet 的均值和标准差进行归一化图数据集中的蚂蚁与蜜蜂示例图片系统功能1. 模型训练与管理多模型支持支持从 10 种预定义模型架构中选择训练训练配置可调整学习率、批次大小、训练轮数等超参数结果导出自动生成 Excel 格式的训练结果报告包含准确率、损失值等关键指标权重保存训练完成后自动保存最佳模型权重文件.pth 格式2. 图像识别服务多模型推理支持使用不同训练好的模型进行推理对比实时预测上传图片后秒级返回识别结果置信度展示显示模型对预测结果的置信程度0-100%批量处理支持单张或多张图片批量上传识别3. 用户交互界面简洁上传拖拽或点击选择本地图片文件实时预览上传后立即显示图片缩略图结果展示清晰展示预测类别、使用模型、置信度等信息历史记录保留最近的识别记录需数据库支持扩展4. 可视化与分析训练曲线展示训练过程中的损失和准确率变化模型对比可视化不同模型在验证集上的性能对比结果导出支持将识别结果导出为 CSV 或 JSON 格式图系统主要功能界面 - 图片上传与识别结果展示模型训练与识别流程训练阶段详细流程1. 数据准备与预处理# 数据加载示例fromtorchvisionimportdatasets,transforms# 定义数据增强和预处理train_transformtransforms.Compose([transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])])# 加载数据集train_datasetdatasets.ImageFolder(rootdata_set/hymenoptera_data/train,transformtrain_transform)2. 模型选择与配置从预定义的模型列表中选择架构如 ResNet18、MobileNetV2 等加载预训练权重ImageNet或从头开始训练修改最后一层全连接层以适应二分类任务3. 训练循环与优化优化器使用 Adam 或 SGD 优化器损失函数交叉熵损失CrossEntropyLoss学习率调度支持 StepLR、CosineAnnealingLR 等策略早停机制监控验证集准确率防止过拟合4. 结果保存保存最佳模型权重best_model.pth生成训练日志文件training_log.csv导出性能指标到 Excelmodel_results.xlsx保存类别映射文件class_indices.json效果展示与分析根据项目中的训练结果文件统计当前最佳验证准确率最高的模型为 MobileNet。下图来自项目本地 *_results.xlsx 文件用于快速比较不同模型的验证表现。下图选取部分模型的若干 epoch 验证准确率走势便于观察训练过程中的收敛变化。该图基于项目结果表生成可在重新训练后替换为新的训练日志。运行流程准备 hymenoptera_data 数据集并保持 train/val/ants/bees 目录结构。使用 main_train.py 选择模型进行训练生成对应权重和结果表。启动 Django 服务进入网页端上传昆虫图片进行识别。若更换数据集或类别需要同步更新 class_indices.json 并重新训练模型。项目总结与优化方向该系统覆盖了从数据集组织、模型训练、结果可视化到网页端识别展示的完整流程适合作为图像分类项目模板继续扩展。后续可从增加数据量、使用更稳定的预训练权重、加入混淆矩阵、保存用户识别记录、优化移动端交互等方向继续完善。