计算机视觉实现苹果橘子香蕉分类的代码

以下是一份简单的计算机视觉代码，用于实现苹果橘子香蕉分类：

import cv2
import numpy as np
import os

# 准备训练数据
data_dir = './fruits-360'
classes = ['Apple', 'Banana', 'Orange']
num_classes = len(classes)
data = []
labels = []

for idx, fruit_name in enumerate(classes):
    path = os.path.join(data_dir, fruit_name)
    for img in os.listdir(path):
        img_path = os.path.join(path, img)
        image = cv2.imread(img_path)
        image = cv2.resize(image, (32, 32))
        data.append(image)
        labels.append(idx)

# 将数据转换为numpy数组
data = np.array(data)
labels = np.array(labels)

# 对数据进行归一化处理
data = data.astype('float32') / 255.0

# 将数据集分为训练集和测试集
from sklearn.model_selection import train_test_split
(trainX, testX, trainY, testY) = train_test_split(data, labels, test_size=0.25, random_state=42)

# 将标签转换为one-hot编码
from keras.utils import to_categorical
trainY = to_categorical(trainY, num_classes)
testY = to_categorical(testY, num_classes)

# 创建模型
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(trainX, trainY, epochs=10, batch_size=32, validation_data=(testX, testY))

# 在测试集上评估模型
score = model.evaluate(testX, testY, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

这段代码包括了几个关键步骤：

1. 准备训练数据：将图片读入内存中，并将它们的标签存储在一个数组中。
2. 将数据转换为numpy数组，并对它们进行归一化处理。
3. 将数据集分为训练集和测试集。
4. 将标签转换为one-hot编码。
5. 创建卷积神经网络模型，并编译它。
6. 在训练集上训练模型。
7. 在测试集上评估模型。

这段代码的输出将包括测试集上的损失和准确率。