ResNet18花卉分类实操：没GPU也能玩，云端1小时1块钱
引言
退休后打理花园是许多老年人的乐趣，但面对满园花草却叫不上名字的困扰也很常见。张老师就遇到了这样的问题——她的花园里有三十多种植物，却总记不住那些学名。传统植物识别App需要手动拍照上传，操作繁琐且识别率有限。现在，借助AI技术，我们可以用ResNet18模型搭建一个专属的花卉识别助手。
最棒的是，整个过程不需要昂贵的显卡设备，通过云端服务每小时成本仅需1元钱。本文将手把手教你如何零基础实现这个实用工具，所有步骤都经过简化设计，即使没有编程经验的退休教师也能轻松上手。
1. 准备工作：认识我们的AI小助手
ResNet18是一个经典的图像分类模型，就像一位经验丰富的植物学家。它通过分析照片中的花瓣形状、叶片纹理等特征，快速判断花卉种类。这个模型有两大优势特别适合我们：
- 轻量高效：模型体积小，普通电脑也能流畅运行
- 迁移学习友好：已经具备基础识别能力，只需稍加训练就能专精花卉分类
💡 提示
迁移学习就像请一位通才教师来专攻园艺课——基础能力已经具备，只需要补充特定领域知识。
2. 环境搭建：三步进入AI世界
我们将使用CSDN星图平台的预置镜像，免去复杂的环境配置。整个过程就像使用智能手机APP一样简单：
- 访问CSDN星图镜像广场，搜索"PyTorch花卉分类"
- 选择预装ResNet18的基础镜像（标注有"新手友好"标签的版本）
- 点击"立即部署"，选择按量计费模式（每小时0.8元起）
部署完成后，你会看到一个类似远程桌面的操作界面。所有需要的软件都已预装，包括： - PyTorch深度学习框架 - Jupyter Notebook交互式编程环境 - 常用图像处理库
3. 数据准备：建立你的花卉图库
好的模型需要好的教材。我们需要准备两类图片：
- 训练集：用于教AI认识各种花卉（每种至少50张）
- 测试集：用于检验学习成果（每种10-20张）
推荐两种获取方式：
方法一：使用现成数据集
# 下载公开花卉数据集 wget https://example.com/flower_dataset.zip unzip flower_dataset.zip方法二：自建图库（更适合识别特定品种）1. 用手机拍摄花园中的各种花卉（晴天拍摄效果最佳） 2. 按种类建立文件夹，如：/dataset /rose /tulip /sunflower ...3. 使用以下Python脚本统一处理图片尺寸：
from PIL import Image import os def resize_images(input_folder, output_size=(224, 224)): for root, _, files in os.walk(input_folder): for file in files: try: img_path = os.path.join(root, file) img = Image.open(img_path) img = img.resize(output_size) img.save(img_path) print(f"已处理: {img_path}") except Exception as e: print(f"处理失败: {img_path}, 错误: {e}") resize_images('/path/to/your/dataset')4. 模型训练：教AI认识你的花园
现在进入最关键的步骤——训练模型。别担心，整个过程就像教小朋友认图识字：
import torch import torchvision from torchvision import transforms, datasets import torch.optim as optim from torch.optim import lr_scheduler # 1. 数据预处理 data_transforms = { 'train': transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), 'val': transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), } # 2. 加载数据集 image_datasets = {x: datasets.ImageFolder(f'/path/to/your/dataset/{x}', data_transforms[x]) for x in ['train', 'val']} dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=4, shuffle=True, num_workers=4) for x in ['train', 'val']} # 3. 初始化模型（使用预训练ResNet18） model = torchvision.models.resnet18(pretrained=True) num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs, len(image_datasets['train'].classes)) # 4. 训练配置 criterion = torch.nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) scheduler = lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1) # 5. 开始训练（约15-30分钟） for epoch in range(10): # 训练10轮 for phase in ['train', 'val']: if phase == 'train': model.train() else: model.eval() running_loss = 0.0 running_corrects = 0 for inputs, labels in dataloaders[phase]: optimizer.zero_grad() with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) if phase == 'train': loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) running_corrects += torch.sum(preds == labels.data) epoch_loss = running_loss / len(image_datasets[phase]) epoch_acc = running_corrects.double() / len(image_datasets[phase]) print(f'{phase} 第{epoch}轮 损失: {epoch_loss:.4f} 准确率: {epoch_acc:.4f}') scheduler.step() # 6. 保存模型 torch.save(model.state_dict(), 'flower_classifier.pth')关键参数说明： -batch_size=4：每次处理4张图片，内存小的设备可改为2 -epoch=10：整个数据集训练10遍，花园品种多可增加到15 -lr=0.001：学习速率，数值太大容易学歪，太小学得慢
5. 实际应用：打造你的植物识别APP
训练好的模型可以集成到简单应用中。这里提供一个极简版Python脚本，保存为app.py：
from flask import Flask, request, jsonify from PIL import Image import torch import torchvision.transforms as transforms import io app = Flask(__name__) # 加载训练好的模型 model = torchvision.models.resnet18(pretrained=False) num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs, 5) # 5改为你的花卉种类数 model.load_state_dict(torch.load('flower_classifier.pth')) model.eval() # 类别标签（替换为你的花卉名称） class_names = ['玫瑰', '郁金香', '向日葵', '百合', '康乃馨'] @app.route('/predict', methods=['POST']) def predict(): if 'file' not in request.files: return jsonify({'error': '没有上传文件'}) file = request.files['file'] img_bytes = file.read() img = Image.open(io.BytesIO(img_bytes)) # 图像预处理 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) img_tensor = transform(img).unsqueeze(0) # 预测 with torch.no_grad(): outputs = model(img_tensor) _, preds = torch.max(outputs, 1) return jsonify({'prediction': class_names[preds[0]]}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)启动服务后，用手机浏览器访问服务器IP:5000/predict，上传照片即可获得识别结果。为方便老年人使用，可以请子女帮忙将这个页面添加到手机桌面。
6. 常见问题与优化技巧
Q1：识别准确率不高怎么办？- 确保每种花卉的训练图片不少于50张 - 拍摄角度多样化（正视图、侧视图、特写等） - 背景尽量干净，突出主体花卉
Q2：训练过程报错"内存不足"- 降低batch_size参数（从4改为2） - 减小图片尺寸（将224改为128） - 关闭其他占用内存的程序
Q3：如何识别新增加的花卉品种？1. 收集新品种的图片（至少20张） 2. 修改模型最后一层的输出维度 3. 只训练最后一层（冻结其他层）：
for param in model.parameters(): param.requires_grad = False model.fc = torch.nn.Linear(num_ftrs, 新的种类数)性能优化技巧- 晴天拍摄的照片比阴天效果更好 - 花蕊清晰可见的图片识别率更高 - 训练时使用数据增强（代码中已包含随机翻转） - 适当增加训练轮数（但不要超过30轮以防过拟合）
总结
- 零门槛入门：通过云端服务，用1元/小时的成本就能体验AI花卉识别，无需昂贵设备
- 操作简单：完整代码可直接复制使用，像拼积木一样搭建专属识别系统
- 实用性强：训练好的模型可集成到简单应用中，随拍随识别
- 扩展灵活：学会基础方法后，可轻松扩展到鸟类识别、蔬菜识别等其他场景
- 老幼咸宜：特别设计的简化流程，让技术小白也能享受AI乐趣
现在就可以试试在云端部署你的第一个AI园丁助手，下次给孙子介绍花园植物时，你就能如数家珍了！
💡获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
