如何使用

直接进行预测

1. 清空并将将预测的数据放入prediction文件夹
2. 运行python predict.py
3. 结果在prediction.csv中

重新训练

1. 将要训练的数据集依照文件说明放入img下的cat, no_cat文件夹。要求对不同种类的猫进行分类并放于cat下的不同的文件夹之下
2. 在当前目录下运行 python Cat_Detection_and_Classification.py +注意: 训练强制使用需要GPU
3. 获取*.h5文件，其中
   • Detection.h5为二分类的权重以及模型文件
   • Detection_weights.h5为二分类的权重文件
   • Identification.h5为种类识别(多分类)的权重以及模型文件
   • Identification_weights.h5为种类识别(多分类)的权重文件

文件目录说明

cat-recognition
├─ 3355_130_weights.h5
├─ README.md //README文件
├─ SIFT.ipynb
├─ binary
│ ├─ .ipynb_checkpoints
│ ├─ Classification (cats & dogs).ipynb //tensorflow 教程
│ ├─ Dog Detection (BN).ipynb //狗的识别，批正则化
│ ├─ Dog Detection (Dropout) .ipynb //狗的识别，尝试不同的Dropout
│ ├─ Dog Detection (other kernel size).ipynb //狗的识别，不同的卷积核
│ ├─ Try_cat_dog.ipynb //一般猫狗分类
│ ├─ binary_model.png //结果统计图
│ ├─ bn.png //结果统计图
│ ├─ droup_out_0.8_0.8.png //结果统计图
│ ├─ lr0.0005.png //结果统计图
│ ├─ lr0.002.png //结果统计图
│ └─ no_dropout.png //结果统计图
├─ dataCleansing.ipynb
├─ img //数据集
│ ├─ cat //15种猫分类
│ └─ no_cat //无猫
├─ img_sub //15种猫的数据集
│ └─ cat //~每种200张图片
│ └─ no_cat //~每种200张图片
├─ multiclass
│ ├─ 150_3355kernal.png //结果统计图
│ ├─ Classification (clothes).ipynb //tensorflow多分类教程
│ ├─ cnn-lgb.ipynb //cnn+xgboost/lsm 结果很差，实验性质，但是期望应该是比CNN直接要好，仅作参考
│ ├─ cat_dataset.png //结果统计图
│ ├─ cat_others_multi.ipynb //多分类
│ ├─ cd-0.25dp.png //结果统计图
│ ├─ f_3355_90.png //结果统计图
│ ├─ sub_cd_0.25dp.png //结果统计图
│ └─ sub_cd_0.25dp_150.png //结果统计图
├─ report.md //总结报告
├─ report_en.md
├─ web-scraping.ipynb //拉取图片的爬虫
└─ 动物图像识别与分类.pdf