一、介绍

鱼类识别系统。使用Python作为主要编程语言开发，通过收集常见的30种鱼类（‘墨鱼’, ‘多宝鱼’, ‘带鱼’, ‘石斑鱼’, ‘秋刀鱼’, ‘章鱼’, ‘红鱼’, ‘罗非鱼’, ‘胖头鱼’, ‘草鱼’, ‘银鱼’, ‘青鱼’, ‘马头鱼’, ‘鱿鱼’, ‘鲇鱼’, ‘鲈鱼’, ‘鲍鱼’, ‘鲑鱼’, ‘鲢鱼’, ‘鲤鱼’, ‘鲫鱼’, ‘鲳鱼’, ‘鲷鱼’, ‘鲽鱼’, ‘鳊鱼’, ‘鳗鱼’, ‘黄鱼’, ‘黄鳝’, ‘黑鱼’, ‘龙头鱼’）图片作为数据集，然后使用TensorFlow搭建ResNet50算法网络模型，通过对数据集进行处理后进行模型迭代训练，得到一个识别精度较高的H5模型文件。并基于Django框架开发网页端平台，实现用户在网页上上传一张鱼类图片识别其名称。

二、效果图片

三、演示视频 and 完整代码

视频+代码：https://www.yuque.com/ziwu/yygu3z/faw6kga47czostik

四、TensorFlow图像分类介绍

TensorFlow是一个由Google开发的开源机器学习库，它被广泛应用于各种深度学习项目，尤其在图像分类和识别方面表现出色。在图像分类任务中，TensorFlow利用其强大的神经网络算法，能够训练模型识别和区分不同的图像和对象。
图像分类是一个将图像分配到不同类别（例如猫、狗、车等）的过程。TensorFlow通过使用卷积神经网络（CNN），一种专门用于处理图像的深度学习模型，有效地完成这一任务。CNN通过模拟人类视觉系统的工作原理来识别图像中的模式和特征，如边缘、形状和纹理。
在实践中，首先需要大量的图像数据集来训练模型。训练过程包括输入图像，让网络通过其层次结构提取特征，并使用这些特征来预测图像的类别。随着训练的进行，模型逐渐学会区分不同类别的图像。
下面是一个简单的TensorFlow图像分类示例代码。这个示例使用了TensorFlow的高级API——tf.keras，来构建一个简单的CNN模型，用于分类MNIST手写数字数据集：

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Flatten

# 加载数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 归一化图像数据
train_images = train_images.reshape((60000, 28, 28, 1)) / 255.0
test_images = test_images.reshape((10000, 28, 28, 1)) / 255.0

# 构建模型
model = Sequential([
    Conv2D(28, kernel_size=(3,3), input_shape=(28,28,1)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(train_images, train_labels, epochs=10)

# 评估模型
model.evaluate(test_images, test_labels)

在这段代码中，我们首先导入了必要的TensorFlow模块。然后，我们加载并准备了MNIST手写数字数据集，该数据集包含了大量的手写数字图像及其对应的标签。接着，我们构建了一个简单的CNN模型，包括卷积层、扁平化层和全连接层。之后，我们编译并训练模型，并在测试集上评估其性能。通过这个简单的例子，我们可以看到TensorFlow在图像分类任务上的强大和便利。