数据实验楼 | 植物健康枯萎图像识别项目重磅发布！

iDataCoding数据实验楼植物健康枯萎图像识别项目正式发布，欢迎大家体验！为支持广大院校的大数据和人工智能实训教学，需要使用平台的老师请尽快与我们联系，便于我们提前准备云服务器等资源。联系电话和微信：136-9329-0406

http://idatacoding.cn/

重要提示

iDataCoding数据实验楼面向全国高校师生提供服务，如未加入所在院校，请先加入院校方可获得服务。

加入院校方法如下：

如果没有院校码，请在线申请。方法如下：

点击菜单栏“申请院校码”，在弹框里填写信息。

信息填写完整后提交。

植物健康枯萎图像识别项目

实训目标

本实训根据植物图像数据，使用Pytorch构建Baseline模型对植物状态健康或枯萎进行二分类。通过实训，学生将夯实利用Pytorch搭建深度学习模型的能力，掌握Baseline模型构建的整体流程、优化技巧、以及迁移学习的调用方法，并将其运用到其它真实场景中。

实践工具

Numpy; Pillow; Torch; Torchvision; Matplotlib;

推荐实训课时：28

前置知识检测

---

项目介绍

本项目首先加载植物健康枯萎图像数据集，然后构建Dataset类自定义数据集，在其中构造transform函数对图像进行重设大小操作统一图像尺寸，同时转化为Tensor，之后创建Dataloader对象封装为数据迭代器；接着通过三种方式构建Baseline模型；然后设置损失函数、优化器和评价指标，定义训练函数，执行模型训练，可视化训练效果；随后通过数据增强、Dropout和正则化、学习率衰减三种方式对Baseline模型进行优化，并与优化前对比直观体现优化效果；最后调用ResNet18模型进行迁移学习，两种方法进行Fine-tune，可视化对比效果。

项目流程

实训任务示例

---

---

---