基于python的水果识别系统的设计的代码

下面是一个基于Python的水果识别系统的设计代码示例：

import torch
import torch.nn as nn
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torchvision.datasets import ImageFolder

# 定义水果类别
fruit_classes = ['apple', 'banana', 'orange']

# 定义预处理变换
preprocess = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 加载测试集数据
test_dataset = ImageFolder('path/to/test/dataset', transform=preprocess)
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=True)

# 加载训练好的模型
model = torch.load('path/to/model.pt')
model.eval()

# 预测函数
def predict_image(image):
    with torch.no_grad():
        image = image.unsqueeze(0)
        output = model(image)
        _, predicted_idx = torch.max(output, 1)
        predicted_class = fruit_classes[predicted_idx.item()]
        return predicted_class

# 进行预测
for images, labels in test_loader:
    predicted_classes = [predict_image(image) for image in images]
    print('Predicted classes:', predicted_classes)
    print('True classes:', [fruit_classes[label.item()] for label in labels])

在这个示例中，我们假设已经训练好了一个水果识别模型，并将其保存在`path/to/model.pt`路径下。我们使用`torch.load`加载模型。

然后，我们定义了水果的类别列表`fruit_classes`，以便在预测时将输出转换为具体的水果类别。

接下来，我们定义了预处理变换`preprocess`，包括图像大小调整、转换为张量和归一化。

然后，我们使用`ImageFolder`和`DataLoader`来加载测试集数据。这里假设测试集数据放在`path/to/test/dataset`路径下，并使用`ImageFolder`来加载数据集，并应用预处理变换。

接下来，我们定义了一个预测函数`predict_image`，用于对单张图像进行预测。在该函数中，我们首先将图像扩展为4维张量，然后将其输入到模型中，并通过`torch.max`获取预测结果。

最后，我们通过遍历测试集数据并调用预测函数来进行预测。打印出预测的类别和真实的类别。

你可以根据自己的需求和模型进行适当的修改，并根据实际情况调整代码中的路径和参数。