本项目针对30种常见鱼类，通过爬取多平台图片形成含1917张图片的数据集，用PaddleHub实现分类并部署到微信小程序。先预处理数据，选ResNet50模型训练，经调参优化，用Momentum优化器、batch_size=8时效果佳。再封装模型为PaddleHub Module，借PaddleHub Serving部署，实现小程序端鱼类识别，后续计划扩充数据集与功能。

基于PaddleHub实现常见鱼类分类及微信小程序部署

               

针对以上30种常见鱼类进行分类，并部署到微信小程序

一、项目背景

1.1项目由来

在菜市场或者一些美食类视频中我们经常能够看到鱼的出现，但是由于本身不怎么做菜的原因，对于一些常见的食用鱼类并不是很熟悉，为了能够认识这些常见鱼类,并成功购买到它们，我们有必要对一些常见的鱼类进行准确的识别。本项目中，我们通过爬取百度图片、百度百科、电商平台等，收集了30种常见的鱼类图片,并部署到微信小程序，方便后续的使用

1.2微信小程序鱼类识别截图

               

二、数据集简介

包含30类常见鱼类，合计1917张图片，由于有部分鱼类爬取到的图片数量较少，因此每种鱼类的数据量并不是一致的。
友情提示：数据集仅供学习和个人使用
30种鱼类中英文对照字典：
{'Cuttlefish': '墨鱼', 'Turbot': '多宝鱼', 'Hairtail': '带鱼', 'Grouper': '石斑鱼', 'Saury': '秋刀鱼', 'Octopus': '章鱼', 'Red_fish': '红鱼', 'Tilapia_mossambica': '罗非鱼', 'Variegated_carp': '胖头鱼', 'Grass_Carp': '草鱼', 'Silverfish': '银鱼', 'Herring': '青鱼', 'Horsehead_fish': '马头鱼', 'Squid': '鱿鱼', 'Catfish': '鲇鱼', 'Perch': '鲈鱼', 'Abalone': '鲍鱼', 'Salmon': '鲑鱼', 'Silver_carp': '鲢鱼', 'Carp': '鲤鱼', 'Crucian_carp': '鲫鱼', 'Silvery_pomfret': '鲳鱼', 'Bream': '鲷鱼', 'Plaice': '鲽鱼', 'Parabramis_pekinensis': '鳊鱼', 'Eel': '鳗鱼', 'Yellow_croaker': '黄鱼', 'Ricefield_eel': '黄鳝', 'Snakehead': '黑鱼', 'Bibcock_fish': '龙头鱼'}

2.1.数据加载和预处理

In [1]

# 解压缩数据!unzip -oq -d images data/data103322/images.zip

登录后复制            In [2]

# 数据加载和预处理import osimport paddleimport numpy as npimport paddlehub.vision.transforms as T# 定义数据集class FishDataset(paddle.io.Dataset):    def __init__(self, dataset_dir, transforms, mode='train'):        # 数据集存放路径        self.dataset_dir = dataset_dir        # 数据增强        self.transforms = transforms        # 分类数        self.label_lst = []        self.num_classes= self.get_label()        self.mode = mode        # 根据mode读取对应的数据集        if self.mode == 'train':            self.file = 'train_list.txt'        elif self.mode == 'test':            self.file = 'test_list.txt'        else:            self.file = 'validate_list.txt'        self.file = os.path.join(self.dataset_dir, self.file)        with open(self.file, 'r') as f:            self.data = f.read().split('\n')[:-1]        def get_label(self):        # 获取分类数        with open(os.path.join(dataset_dir, 'label_list.txt'), 'r') as f:            labels = f.readlines()        for idx, label in enumerate(labels):            dic = {}            dic['label_name'] = label.split('\n')[0]            dic['label_id'] = idx            self.label_lst.append(dic)        return len(self.label_lst)    def __getitem__(self, idx):        img_path, label = self.data[idx].split(' ')        img_path = os.path.join(self.dataset_dir, img_path)        im = self.transforms(img_path)        return im, int(label)        def __len__(self):        return len(self.data)# 定义数据增强train_Transforms = T.Compose([                T.Resize((256, 256)),                T.CenterCrop(224),                T.RandomHorizontalFlip(),                T.Normalize()                ], to_rgb=True)eval_Transforms = T.Compose([                T.Resize((256, 256)),                T.CenterCrop(224),                T.Normalize()                ], to_rgb=True)# 读取数据集dataset_dir = 'images/images'fish_train = FishDataset(dataset_dir, train_Transforms)fish_validate = FishDataset(dataset_dir, eval_Transforms, mode='validate')print('训练集的图片数量: {}'.format(len(fish_train)))print('验证集的图片数量: {}'.format(len(fish_validate)))print('分类数: {}'.format(len(fish_train.label_lst)))

登录后复制            In [3]

# label_id转labelid2label = {}for i in fish_train.label_lst:     id2label[i['label_id']] = i['label_name']print(id2label)

登录后复制            In [4]

# 鱼类英文名转中文en2zh = {'Cuttlefish': '墨鱼', 'Turbot': '多宝鱼', 'Hairtail': '带鱼', 'Grouper': '石斑鱼', 'Saury': '秋刀鱼', 'Octopus': '章鱼', 'Red_fish': '红鱼', 'Tilapia_mossambica': '罗非鱼', 'Variegated_carp': '胖头鱼', 'Grass_Carp': '草鱼', 'Silverfish': '银鱼', 'Herring': '青鱼', 'Horsehead_fish': '马头鱼', 'Squid': '鱿鱼', 'Catfish': '鲇鱼', 'Perch': '鲈鱼', 'Abalone': '鲍鱼', 'Salmon': '鲑鱼', 'Silver_carp': '鲢鱼', 'Carp': '鲤鱼', 'Crucian_carp': '鲫鱼', 'Silvery_pomfret': '鲳鱼', 'Bream': '鲷鱼', 'Plaice': '鲽鱼', 'Parabramis_pekinensis': '鳊鱼', 'Eel': '鳗鱼', 'Yellow_croaker': '黄鱼', 'Ricefield_eel': '黄鳝', 'Snakehead': '黑鱼', 'Bibcock_fish': '龙头鱼'}print(en2zh)

登录后复制            

2.2数据集查看

In [6]

from PIL import Imageimport matplotlib.pyplot as pltpath = 'images/images/train'plt.figure(figsize=(30, 8))for idx, name in enumerate(en2zh.keys()):    for fpath, dirname, fname in os.walk(os.path.join(path, name)):        plt.subplot(3, 10, idx+1)        img = Image.open(os.path.join(fpath, fname[0]))        plt.title(name)        plt.imshow(img)

登录后复制            

三、模型选择和开发

3.1.模型选择

In [7]

import paddlefrom paddle.vision.models import resnet50# 设置pretrained参数为True，可以加载resnet50在imagenet数据集上的预训练模型model = paddle.Model(resnet50(pretrained=True, num_classes=len(fish_train.label_lst)))

登录后复制            

3.2模型训练

In [8]

from paddle.optimizer import Momentumfrom paddle.regularizer import L2Decayfrom paddle.nn import CrossEntropyLossfrom paddle.metric import Accuracy# 配置优化器optimizer = Momentum(learning_rate=0.001,                     momentum=0.9,                     weight_decay=L2Decay(1e-4),                     parameters=model.parameters())# 进行训练前准备model.prepare(optimizer, CrossEntropyLoss(), Accuracy(topk=(1, 5)))# 启动训练model.fit(fish_train,          fish_validate,          epochs=50,          batch_size=8,          save_dir="./output")

登录后复制            In [9]

if not os.path.exists('final'):    os.mkdir('final')# 将final.pdparams复制到final文件夹!cp output/final.pdparams final

登录后复制            

3.3模型评估测试

In [10]

# 模型评估，根据prepare接口配置的loss和metric进行返回result = model.evaluate(fish_validate)print(result)

登录后复制            

3.4.模型预测

In [11]

# 批量预测from paddle.static import InputSpec# 加载final模型参数inputs = InputSpec([None, 1*1*3*224*224], 'float32', 'x')labels = InputSpec([None, 30], 'int32', 'x')model = paddle.Model(resnet50(num_classes=len(fish_train.label_lst)), inputs, labels)# 加载模型参数model.load('final/final.pdparams')# 定义优化器optimizer = Momentum(learning_rate=0.001,                     momentum=0.9,                     weight_decay=L2Decay(1e-4),                     parameters=model.parameters())# 进行预测前准备model.prepare(optimizer, CrossEntropyLoss(), Accuracy(topk=(1, 5)))# 加载测试集数据fish_test = FishDataset(dataset_dir, eval_Transforms, mode='test')# 进行预测操作result = model.predict(fish_test)# 定义画图方法def show_img(idx, predict):    with open(os.path.join(dataset_dir, 'test_list.txt')) as f:        data = f.readlines()    plt.figure()    print('predict: {}'.format(predict))    img = Image.open(os.path.join(dataset_dir, data[idx].split()[0]))    plt.imshow(img)    plt.show()# 抽样展示indexs = [2, 15, 38, 100]for idx in indexs:    show_img(idx, en2zh[id2label[np.argmax(result[0][idx])]])

登录后复制            In [12]

# 单张图片预测# 读取单张图片image = paddle.to_tensor(fish_test[80][0]).reshape([1, 1, 3, 224, 224])image_id = 80# 单张图片预测result = model.predict(image)# 可视化结果show_img(image_id, en2zh[id2label[np.argmax(result)]])

登录后复制            

四、基于PaddleHub Serving进行微信小程序部署

内容根据PaddleHub文档教程>如何创建自己的Module改编。文档基于情感分类（NLP）模型，本文基于（CV），开发者可根据需要相互参考。

4.1创建必要的目录和文件

在 /home/aistudio/work 目录下创建 fish_predict 文件夹，并在该目录下分别创建 module.py __init__.py ，其中 module.py 作为 Module 的入口，用来实现逻辑预测功能。

In [13]

! tree work/

登录后复制            

4.2. 修改 module.py 文件

hub模型的转换基于我们在此之前写过的代码，通过对其进行包装修饰得到所需的 module.py 文件。

查看module.py代码

4.3 安装模型及预测

在 module.py 中编写好代码后，就可以通过 hub install xxx 的方式来安装模型了！

In [14]

!pip install --upgrade paddlehub

登录后复制            In [15]

# 安装模型!hub install work/fish_predict/

登录后复制            In [16]

# 预测import paddlehub as hubmy_fish_predict = hub.Module(name="fish_predict")my_fish_predict.fish_predict('images/images/test/Hairtail/137.webp')

登录后复制            

4.4 终端部署

部署方法：

在终端运行命令 hub serving start -m fish_predict 。如果它出现下面的提示说明部署成功                        

通过POST请求实现预测

In [17]

# 通过POST请求实现预测import requestsimport jsonimport cv2import base64def cv2_to_base64(image):    data = cv2.imencode('.webp', image)[1]    return base64.b64encode(data.tobytes()).decode('utf-8')# 发送HTTP请求data = {'img_b64': cv2_to_base64(cv2.imread("images/images/test/Hairtail/137.webp"))}headers = {"Content-type": "application/json",           "Connection": "close"}url = "https://0.0.0.0:8866/predict/fish_predict"r = requests.post(url=url, headers=headers, data=json.dumps(data))# 打印预测结果print(r)print(r.json()['results'].encode('utf-8').decode('unicode_escape'))

登录后复制            

4.5 部署到微信小程序

小程序二维码

               

效果展示

               

相关代码小程序页面js代码                            服务端请求云函数代码                            

五、总结

数据集获取初始阶段是通过在百度图片、电商平台搜索关键词，爬取返回的百度图片及产品图片，但是通过这样的方式爬取的图片，经常会在搜索的关键词中返回其他的鱼类后来则通过借鉴百度百科中所介绍的相关鱼类的信息，对爬取的图片进行人工筛选、判断，最终获取到1917张的数据集图片后续考虑需要直接去菜市场对相关鱼类进行现场拍摄，获取更准确、更丰富的数据集图片模型调参在batch_size的选择上，初始选择了32，但是由于本身数据集不是很大，因此发现batch_size为32的训练结果较差，后续将batch_size缩减到8后，模型的收敛速度加快，模型表现也更好在优化器的选择上，选择了SGD、Momentum、Adam、Adagrad进行训练，根据最终训练结果的表现，Momentum更胜一筹，收敛速度及准确率都优于其他的优化器后续进展本次仅针对30种较为常见的鱼类进行了分类识别，后续继续收集菜市场中常见的蔬菜、虾蟹贝类、禽畜等数据集图片，将整个模型扩充到对菜市场常见的产品的识别本次仅训练了分类模型，后续将使用Labelimg对数据集进行数据标注，便于后续训练目标检测模型本次虽然使用了微信小程序进行部署，但是微信小程序的整体页面及功能还是相对比较简陋，后续不仅在对用户传入的图片进行识别后，还应当返回相关的鱼类或其他蔬菜等的科普介绍、热门菜谱等，提升整个小程序的实用性

个人简介

我在AI Studio上获得白银等级，点亮3个徽章，来互关呀~ https://aistudio.baidu.com/aistudio/personalcenter/thirdview/158581

In [ ]

登录后复制            

相关攻略

热门推荐