TensorFlow-Lite植物物种识别介绍深度学习模型非常庞大，并且需要大量计算才能进行推理。我们是否可以训练需要更少计算能力、更小并且可以部署在手机上的深度学习模型？嗯，答案是肯定的。通过将使用 ArcGIS API for Python训练TensorFlow lite模型的功能集成，我们现在可以训练可部署在移动设备上且尺寸更小的 DL 模型。
我们可以在哪里使用它们？我们可以使用它们来训练多个 DL 模型来执行专门针对移动设备的分类任务。我们所做的一个这样的集成是在“Survey123”应用程序中，这是一个简单而直观的以表格为中心的数据收集解决方案，供多个测量员在执行地面调查时使用，我们集成了一个 tf-lite 模型，在单击它的同时对不同的植物物种进行分类应用程序中的图片，本文有完整的python识别植物示例。
python如何识别植物？本笔记本旨在展示这种能力来训练深度学习模型，该模型可在移动应用程序中使用 TensorFlow Lite 框架进行实时推理。例如，我们将训练之前讨论过的相同植物物种分类模型，但使用较小的数据集。

文章图片
Survey123 应用程序中植物分类器的快照
获取数据进行分析PlantCLEF数据分为三组：

• 基于在线协作生命百科全书 (EoL)  [1]的“可信”训练集。
• “嘈杂”训练集（从 Google 和 Bing 图像搜索结果中获得，包括错误标记或不相关的图像[2]。
• 前几年（2015-2016 年）的图像仅描绘了该物种的一个子集[3]。

TensorFlow-Lite植物物种识别：对于这个笔记本，我们从基于在线协作生命百科全书[1]的“可信”训练集中提取了一个子集，其中包含 100 个植物物种的 39,354 张图像，并使用物种名称更改了它们的物种编号，例如物种编号42'改为'Acanthus mollis'。关于物种名称的信息存在于与每个图像文件一起存在的“xml”文件中。我们编写了一个脚本来执行货币名称和货币编号的映射。要了解我们是如何做到这一点的，请查看这里的脚本。
python识别植物的方法 - 使用以下命令运行下载的脚本。它需要传递三个参数：

• 下载 PlantCLEF 数据的路径
• 目标文件夹的路径

python changes_specie_name_with_number.py 数据/路径目标/路径
python识别植物示例：训练图像分类模型python如何识别植物？我们将使用arcgis.learnArcGIS API for Python 中的模块训练我们的模型。arcgis.learn包含本研究所需的工具和深度学习能力。此处提供了安装和设置环境的详细文档。
必要的导入
首先，我们需要为 ArcGIS 设置环境变量以启用 TensorFlow 作为后端。要执行此操作，我们可以将ARCGIS_ENABLE_TF_BACKEND参数的值设置为 1，如下所示。
In  [1]:

%env ARCGIS_ENABLE_TF_BACKEND=1

%env ARCGIS_ENABLE_TF_BACKEND=1

In  [2]:

import os from pathlib import Pathfrom arcgis.gis import GIS from arcgis.learn import prepare_data, FeatureClassifier

下载数据集
In  [2]:

gis = GIS('home')

In  [3]:

training_data = https://www.lsbin.com/gis.content.get('81932a51f77b4d2d964218a7c5a4af17') training_data

Out[3]:

文章图片
train_a_tensorflow-lite_model_for_identifying_plant_species

文章图片
Image Collection by api_data_owner
Last Modified: August 31, 2020
0 comments, 0 views
In  [4]:

filepath = training_data.download(file_name=training_data.name)

In  [5]:

import zipfile with zipfile.ZipFile(filepath, 'r') as zip_ref: zip_ref.extractall(Path(filepath).parent)

In  [6]:

data_path = Path(os.path.join(os.path.splitext(filepath)[ 0]))

过滤掉非 RGB 图像
In [7]:

from glob import glob from PIL import Image

In [8]:

for image_filepath in glob(os.path.join(data_path, 'images', '**','*.jpg')): if Image.open(image_filepath).mode != 'RGB': os.remove(image_filepath)

准备数据
我们现在将使用该prepare_data()函数对训练数据应用各种类型的转换和增强。这些增强使我们能够用有限的数据训练更好的模型，并防止模型过度拟合。
在这里，我们将 3 个参数传递给prepare_data()函数。

• path：包含训练数据的文件夹路径。
• chip_size：与导出训练数据时的指定相同。
• batch_size：你的模型将在一个 epoch 内的每一步训练的图像数量，这直接取决于你的图形卡的内存和你正在使用的模型类型。对于此示例，我们在具有 11GB 内存的 GPU 上使用了 64 的批量大小。

In [9]:

data = https://www.lsbin.com/prepare_data( path=data_path, dataset_type='Imagenet', batch_size=64, chip_size=300 )

从你的训练数据中可视化一些样本
为了理解训练数据，我们将使用show_batch()arcgis.learn 中的方法。show_batch()从训练数据中随机挑选一些样本并将它们可视化。

• rows：我们想要查看结果的行数。

In [10]:

data.show_batch(rows=2)

文章图片
python识别植物示例：加载模型架构
arcgis.learn提供以FeatureClassifier模型的形式确定每个特征的类别的功能。要了解有关它的工作和使用情况的深入信息，请查看此链接。
TensorFlow-Lite植物物种识别 - 由于我们正在训练要部署在手机上的模型，因此我们必须使用“tensorflow”后端定义模型。为此，我们可以将参数设置backend为“tensorflow”。
In  [12]:

model = FeatureClassifier(data, backbone='MobileNetV2', backend='tensorflow')

找到最佳学习率
学习率是模型训练中最重要的超参数之一。在这里，我们探索了一系列学习率来指导我们选择最好的学习率。arcgis.learn利用 fast.ai 的学习率查找器为训练模型找到最佳学习率。我们可以使用该lr_find()方法找到可以足够快地训练鲁棒模型的最佳学习率。
In  [13]:

lr = model.lr_find()

文章图片

Out[13]: 0.00039810716

根据上面的学习率图，我们可以看到lr_find()我们的训练数据建议的学习率是 0.000691831。我们可以用它来训练我们的模型。在最新版本中，arcgis.learn我们甚至可以在不指定学习率的情况下训练模型。它在内部使用学习率查找器来找到最佳学习率并使用它。
python如何识别植物？拟合模型
python识别植物的方法：为了训练模型，我们使用fit()方法。首先，我们将使用 25 个 epoch 来训练我们的模型。Epoch 定义了模型暴露于整个训练集的次数。
In  [14]:

model.fit(25, lr=lr)

epoch	train_loss	valid_loss	time
0	282.509796	284.545929	06:33
1	219.822098	216.609177	06:11
2	184.608017	179.594299	06:16
3	157.201462	152.107513	06:13
4	146.833130	143.230316	06:08
5	142.532150	140.502411	06:06
6	130.854355	128.107193	06:13
7	123.135384	120.282646	06:16
8	122.825447	121.192963	06:15
9	113.097366	110.876205	06:09
10	110.630867	107.839455	06:05
11	105.668732	102.160103	06:08
12	104.367531	101.760544	06:11
13	96.982460	92.826294	06:10
14	94.381241	90.038216	06:11
15	91.442261	87.211021	06:12
16	89.456108	84.471718	06:19
17	88.846085	85.127541	06:02
18	85.060516	80.282585	06:05
19	83.723434	80.030220	06:20
20	82.750427	78.108757	06:26
21	81.436134	77.348999	06:27
22	80.915581	77.150444	06:26
23	81.231522	77.088852	06:26
24	80.637024	76.966454	06:26

python识别植物示例：在验证集中可视化结果
下面的代码将选择一些随机样本，并排向我们展示真实情况和相应的模型预测。这使我们能够在笔记本本身中验证模型的结果。一旦满意，我们就可以保存模型并在我们的工作流程中进一步使用它。
【python如何识别植物（使用TensorFlow-Lite模型进行植物物种识别）】In  [15]:

model.show_results(rows=4, thresh=0.2)

文章图片
在这里，来自训练数据的地面实况的子集与模型的预测一起被可视化。正如我们所看到的，我们的模型表现良好，预测与真实情况相当。
保存模型
TensorFlow-Lite植物物种识别：我们将以 tf-lite 格式保存我们训练的模型。
我们将使用该save()方法来保存训练好的模型。默认情况下，它将保存到我们的训练数据文件夹中的“模型”子文件夹中。
In  [  ]:

model.save('Plant-identification-25-tflite', framework="tflite")

python如何识别植物？部署模型tf-lite 模型现在可以部署在移动设备上。Survey123 for ArcGIS 即将推出的功能集成了此类 tf-lite 模型。要了解有关在 Survey123 中部署此模型的更多信息，请加入早期采用者社区以访问 Survey123 私人测试版。
参考文献[1]  http://otmedia.lirmm.fr/LifeCLEF/PlantCLEF2017/TrainPackages/PlantCLEF2017Train1EOL.tar.gz
[2]  http://otmedia.lirmm.fr/LifeCLEF/PlantCLEF2017/TrainPackages/PlantCLEF2017Train2Web.txt
[3]  http://otmedia.lirmm.fr/LifeCLEF/PlantCLEF2015/Packages/TrainingPackage/PlantCLEF2015TrainingData.tar.gz

推荐阅读

• 

  电视剧《七月与安生》中苏家明喜欢的到底是七月还是安生？
• 

  有没有什么可以让牙齿迅速变白的方法？
• 

  不锈钢管生产厂家有哪些 不锈钢管材
• 

  藏獒过剩 流浪藏獒会破坏高原生态雪豹会不会被捕食
• 

  2022-2023独生子女退休补贴新规 独生子女父母一次性补贴如何领取？
• 

  mongodb数据导入 同步mongodb到内存
• 

  linux系统更新内核,亲身体验 升级Linux系统内核完全过程
• 

  9种|9种 MySQL数据库优化的技巧
• 

  阿拉伯王子成名的机会或重现
• 

  爱普生供墨清零软件
• 

  药丸形|曝料：iPhone 14 Pro概念渲染图！“感叹号”挖孔屏
• 

  excel排序让后面的数据跟着动教程
• 

  山东省综合素质评价登录入口手机版 山东省综合素质评价登录入口
• 

  毛衣巧处理再穿不会痒 毛衣的日常护理法则
• 

  献给电脑族的呵护肌肤的7大方法
• 

  德国即热式电热水器,你知道什么原因吗
• 

  华润燃气热水器使用方法,不清楚的真可以看看
• 

  月饼的馅料有哪些 传统月饼的馅料有哪些
• 

  上等人 马龙等人如何处罚，下等人
• 

  运动塑身减肥的方法有哪些视频 运动塑身减肥的方法有哪些

• python图片转字符画（如何将图像转换为ASCII图像（））
• python如何识别猫狗（对狗和猫的照片进行分类（准确率为 97%））
• python如何检测音乐开始（详细实现指南）
• python如何识别声音（如何使用Python进行声音模式识别？）
• python如何播放声音（如何使用Python播放音频？）
• python如何读取json文件（使用JSON模块在Python中存储数据）
• 如何在python中读取excel（xlsx）文件（详细指南）
• 在Pandas中应用LEFT、RIGHT、MID的8种方法
• 如何在Pandas DataFrame中将字符串转换为浮点数（）