感谢清华团队提供图片
项目地址: https://cnb.cool/code_free/dogs-cnn
基于深度学习的细粒度犬种识别系统，支持11种常见犬种的精准分类，提供现代化的Web界面和完整的训练推理流水线。
- 高精度识别: 采用ConvNeXt-Tiny骨干网络，支持11种犬种的细粒度分类
- 现代化界面: 基于Streamlit的响应式Web应用，支持暗色主题
- 增强训练: 集成Mixup、RandAugment、EMA、LLRD等先进训练技术
- 多推理后端: 支持PyTorch原生推理，可选TTA多尺度增强
- 批量处理: 支持多图批量预测和结果导出
- 性能优化: 自动GPU内存管理、混合精度训练、torch.compile加速
| 中文名 | 英文名 | 类别ID |
|---|---|---|
| 吉娃娃 | Chihuahua | 0 |
| 中华田园犬 | Chinese Rural Dog | 1 |
| 杜宾犬 | Doberman | 2 |
| 法国斗牛犬 | French Bulldog | 3 |
| 德国牧羊犬 | German Shepherd | 4 |
| 金毛寻回犬 | Golden Retriever | 5 |
| 哈士奇 | Husky | 6 |
| 拉布拉多猎犬 | Labrador | 7 |
| 萨摩耶犬 | Samoyed | 8 |
| 柴犬 | Shiba Inu | 9 |
| 藏獒 | Tibetan Mastiff | 10 |
dogs-cnn/
├── src/ # 源代码目录
│ ├── app/ # 应用模块
│ ├── core/ # 核心功能
│ │ ├── training/ # 训练相关
│ │ ├── inference/ # 推理相关
│ │ ├── models/ # 模型定义
│ │ └── data/ # 数据处理
│ ├── utils/ # 工具函数
│ ├── config/ # 配置文件
│ ├── __init__.py
│ ├── model.py # 模型定义与加载
│ ├── predict.py # 推理接口
│ ├── train.py # 训练入口
│ ├── dataProcess.py # 数据预处理
│ ├── My_dataLoader.py # 数据加载器
│ └── labels.py # 标签映射
├── models/ # 模型权重目录
├── data_split/ # 处理后的数据集
│ ├── train/ # 训练集
│ ├── val/ # 验证集
│ └── test/ # 测试集
├── pet_dog/ # 原始数据目录
├── scripts/ # 脚本目录
│ ├── train.sh # 训练脚本
│ └── run_app.sh # 应用启动脚本
├── requirements.txt # Python依赖
├── README.md # 项目说明
└── .cnb.yml # 部署配置
# 安装依赖
pip install -r requirements.txt
# 或使用conda创建环境
conda create -n dog-cnn python=3.9
conda activate dog-cnn
pip install -r requirements.txt
# 自动分割数据集（训练/验证/测试）
python -m src.dataProcess
# 查看数据统计
python -c "
from src.dataProcess import print_split_stats
print_split_stats('data_split')
"
# 使用默认配置训练
bash ./scripts/train.sh
# 或手动训练
python -m src.train --epochs 50 --batch-size 32 --lr 1e-4
# 启动Streamlit应用
bash ./scripts/run_app.sh
# 或直接运行
streamlit run src/app/app.py
## 🌐 在线访问
项目已部署在 CNB 平台，可直接访问使用：
- **应用地址**: https://cnb.cool/code_free/dogs-cnn
- **Git 仓库**: https://cnb.cool/code_free/dogs-cnn.git
-
EnhancedDogBreedCNN (推荐)
- 骨干网络: ConvNeXt-Tiny (ImageNet预训练)
- 输入尺寸: 224×224
- 参数量: ~28M
- 特点: 迁移学习、更好的泛化能力
-
DogBreedCNN (基础)
- 自定义CNN架构
- 4个卷积块 + 3个全连接层
- 参数量: ~35M
- 特点: 从头训练、完全可控
- 数据增强: RandomResizedCrop, HorizontalFlip, ColorJitter, RandAugment
- 优化策略: AdamW + CosineAnnealingWarmRestarts
- 正则化: Label Smoothing, Weight Decay, Gradient Clipping
- 高级技术: Mixup, EMA, Layer-wise Learning Rate Decay
- 性能优化: Automatic Mixed Precision, torch.compile, GPU内存动态分配
在标准测试集上的表现：
| 指标 | 数值 |
|---|---|
| 训练准确率 | ~98.5% |
| 验证准确率 | ~92.3% |
| 测试准确率 | ~91.8% |
| 推理速度 (GPU) | ~15ms/张 |
| 推理速度 (CPU) | ~120ms/张 |
from src.predict import batch_predict
# 批量处理图片列表
image_paths = ['dog1.jpg', 'dog2.jpg', 'dog3.jpg']
results = batch_predict(image_paths, model_path='models/best_model.pth')
from src.predict import tta_predict
# 使用测试时增强
probs = tta_predict('dog.jpg', hflip=True, scales=[1.0, 1.2])
from src.model import export_to_onnx
# 导出为ONNX格式
model = load_model('models/best_model.pth')
export_to_onnx(model, 'models/model.onnx')
A: 启用自动批次大小调整，或减小--batch-size参数
A: 确保训练数据充足，尝试启用TTA增强
A: 在src/labels.py中添加映射，重新准备数据并训练
A: 检查模型路径，确保使用兼容的PyTorch版本
- 遵循PEP8规范
- 使用类型注解
- 模块化设计，高内聚低耦合
- 添加新的数据增强策略
- 实现新的模型架构
- 集成其他推理后端(TensorRT, OpenVINO)
- 添加模型解释性功能
欢迎提交Issue和合并请求！
- 克隆本项目 (
git clone https://cnb.cool/code_free/dogs-cnn.git) - 创建特性分支 (
git checkout -b feature/你的功能名称) - 提交更改 (
git commit -m 描述你的更改（如：Add new dog breed label）) - 推送到分支 (
git push origin feature/你的功能名称) - 申请合并到主分支
本项目采用MIT许可证，详见LICENSE文件。
- 感谢PyTorch团队提供的深度学习框架
- 感谢Streamlit团队提供的Web应用框架
- 感谢所有贡献者和用户的支持
- 感谢清华团队提供的训练图片
注意: 本项目仅供学习和研究使用。商业使用请确保遵守相关法律法规。
Language
Python78.5%
Markdown14.4%
Dockerfile3.3%
Shell1.6%
Others2.2%
35/F,Tencent Building,Kejizhongyi Avenue,Nanshan District,Shenzhen
