大家好，我是Java1234_小锋老师，分享一套锋哥原创的基于PyTorch的动物图像识别系统(深度学习+PyQt6+ResNet18+ImageNet+迁移学习)

项目介绍

随着深度学习技术的快速发展，计算机视觉在目标分类、目标检测和图像理解等领域取得了显著进展。动物图像识别作为图像分类的典型应用，在生态监测、智慧农业、科普教育和宠物管理等场景中具有重要的实际价值。传统依赖人工特征的识别方法对光照变化、背景干扰和种间相似性较为敏感，难以满足实际应用对准确率和易用性的要求。为此，本文设计并实现了一套基于PyTorch的动物图像识别系统，采用ResNet18残差网络结合ImageNet预训练权重进行迁移学习，实现对十五类常见动物图像的自动分类。系统以Python为主要开发语言，利用Torchvision完成数据加载、图像变换与模型构建，利用PyQt6构建桌面交互界面，形成“数据预处理—模型训练—图像识别—结果可视化”的完整闭环。在功能层面，系统提供介绍首页、图像识别和模型训练三个核心模块：介绍首页展示技术栈与数据集概况；图像识别模块支持用户选择本地图片并输出Top-3中文类别及置信度；模型训练模块支持训练轮数、批次大小和学习率等超参数配置，并实时显示损失曲线、准确率曲线与训练日志。在算法层面，系统将ResNet18最后一层全连接层替换为十五类输出，使用交叉熵损失与Adam优化器进行微调，并在验证准确率提升时自动保存最优模型权重。实验表明，在CPU环境下通过少量轮次训练即可获得可用的识别效果，系统界面友好、部署简便，适合满足本科毕业设计对完整性、可演示性和技术深度的要求。本文还对Python语言特性、ImageNet大规模视觉数据集以及ResNet18残差结构进行了系统阐述，为后续扩展更多类别或引入更复杂模型提供了方法基础。

源码下载

链接: https://pan.baidu.com/s/1-bNw86wRY05G-7myJ-PVhw?pwd=1234
提取码: 1234

系统展示

核心代码

""" 独立命令行训练脚本 用于在终端中训练 ResNet18 动物识别模型 """ import argparse import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__))) import config from config import format_datetime from src.trainer import Trainer def main(): """命令行训练入口""" parser = argparse.ArgumentParser(description="动物识别模型训练") parser.add_argument("--epochs", type=int, default=config.DEFAULT_EPOCHS, help="训练轮数") parser.add_argument("--batch-size", type=int, default=config.DEFAULT_BATCH_SIZE, help="批次大小") parser.add_argument("--lr", type=float, default=config.DEFAULT_LEARNING_RATE, help="学习率") args = parser.parse_args() print(f"[{format_datetime()}] 开始训练 {config.PROJECT_NAME}") print(f" 训练轮数: {args.epochs}") print(f" 批次大小: {args.batch_size}") print(f" 学习率: {args.lr}") print(f" 设备: {config.DEVICE}") print("-" * 50) def on_epoch_end(epoch, train_loss, train_acc, val_loss, val_acc): """每轮训练结束打印日志""" print( f"[{format_datetime()}] Epoch {epoch}/{args.epochs} | " f"Train Loss: {train_loss:.4f}, Train Acc: {train_acc:.2f}% | " f"Val Loss: {val_loss:.4f}, Val Acc: {val_acc:.2f}%" ) trainer = Trainer( epochs=args.epochs, batch_size=args.batch_size, learning_rate=args.lr, on_epoch_end=on_epoch_end, ) result = trainer.train() print("-" * 50) print(f"[{format_datetime()}] 训练完成!") print(f" 最佳验证准确率: {result['best_val_acc']:.2f}%") print(f" 模型已保存至: {result['model_path']}") if __name__ == "__main__": main()

""" Matplotlib 中文字体配置模块 解决图表中文标签在 DejaVu Sans 下缺字的问题 """ import matplotlib # 按平台常见中文字体优先级排列 _CHINESE_FONT_CANDIDATES = [ "Microsoft YaHei", "SimHei", "PingFang SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", ] def setup_matplotlib_chinese_font() -> str | None: """ 配置 Matplotlib 使用系统中可用的中文字体 Returns: 成功选中的字体名称；若未找到中文字体则返回 None """ from matplotlib import font_manager available_fonts = {font.name for font in font_manager.fontManager.ttflist} for font_name in _CHINESE_FONT_CANDIDATES: if font_name in available_fonts: matplotlib.rcParams["font.sans-serif"] = [font_name, "DejaVu Sans"] matplotlib.rcParams["axes.unicode_minus"] = False return font_name return None