python图像识别水果

### 构建Python水果图像识别系统的教程

#### 使用的技术栈
构建一个能够根据拍摄的照片来识别水果类型的系统可以依赖于多种技术。对于前端交互，Vue.js是一个不错的选择；而后端则可以选择Django框架配合PyTorch来进行深度学习模型的开发与部署[^1]。

#### 数据准备
为了训练有效的分类器，在开始之前需要收集足够的水果图片作为训练集。这些图片应当覆盖尽可能多的不同种类以及角度变化。通常会将原始彩色图片转换成灰度版本以减少计算复杂度，并存储在一个指定目录下以便后续处理程序访问`trainDataDirList = os.listdir("F:\\MachineLearn\\ML-xiaoxueqi\\fruits\\trainGrayImage")`[^3]。

#### 特征提取
在实际应用中，除了直接利用预训练好的卷积神经网络外，还可以考虑采用传统的方法如通过OpenCV或scikit-image库实现的手工设计特征描述子（例如HOG, LBP等），这有助于增强某些特定场景下的表现效果[^2]。

#### 模型训练
考虑到效率问题，这里推荐使用MobileNetV2架构进行迁移学习。具体操作流程包括先准备好标注过的样本列表存入`train.txt`文件中，之后执行脚本`02mobilenetv2迁移学习.py`完成整个过程——即加载基础权重、调整最后一层适应新类别数量、冻结部分参数防止过拟合直至最终获得优化后的`.ckpt`格式模型文件[^4]。

import torch
from torchvision import models, transforms
from PIL import Image

def load_model():
    model = models.mobilenet_v2(pretrained=True)
    num_ftrs = model.classifier[-1].in_features
    model.classifier[-1] = torch.nn.Linear(num_ftrs, number_of_classes)  # 替换全连接层
    checkpoint = torch.load('model.ckpt')
    model.load_state_dict(checkpoint['state_dict'])
    return model.eval()

transform = transforms.Compose([
        transforms.Resize((224, 224)),
        transforms.ToTensor(),
])

image = Image.open(image_path).convert('RGB')
input_tensor = transform(image).unsqueeze(0)

with torch.no_grad():
    outputs = load_model()(input_tensor)
_, predicted_class_idx = torch.max(outputs.data, 1)
confidence_score = torch.softmax(outputs, dim=1)[0][predicted_class_idx.item()]
print(f'Predicted class index: {predicted_class_idx.item()}, Confidence score: {confidence_score:.4f}')

此段代码展示了如何加载已经训练完毕的MoblieNet V2模型并对单张输入图片做出预测，同时返回对应的置信水平得分。

#### 部署上线
当一切就绪后，可以通过Flask创建简单的API接口供外部调用。启动服务器前记得确保所有必要的环境变量都已配置好，比如Python路径设置等[^5]。