‍♂️ 个人主页艾派森的个人主页✍作者简介Python学习者 希望大家多多支持我们一起进步如果文章对你有帮助的话欢迎评论 点赞 收藏 加关注目录1.项目背景2.数据集介绍3.技术工具4.实验过程4.1导入数据4.2数据可视化4.3特征工程4.4构建并训练CNN模型4.5构建并训练MobileNetV2模型4.6构建并训练EfficientNetB0模型4.7构建并训练ResNet50模型4.8模型评估5.总结源代码1.项目背景在现代水族养殖与水生生物学的精准化管理中鱼类物种的快速且准确识别是确保水务生态监测、智能化精准投喂以及观赏鱼市场规范化交易的核心环节。然而观赏鱼通常具有体型多变、色彩斑斓且游动迅速的特点加之水族箱内水体折射、水草摆动以及光影错综复杂传统的肉眼辨识不仅耗时耗力且在面对体态或色系相近的品种时极易产生视觉误判。随着数字化和智能农业的深入发展如何利用计算机视觉技术替代繁琐的人工鉴定并在复杂的水体环境下实现稳健、高精度的品种分类已成为构建智慧水族生态系统进程中亟待攻克的实战课题。本项目针对观赏鱼表面斑斓错综的纹理与空间形态的多样性展开了多架构卷积神经网络的深度应用与横向对比研究。实验从构建基础的Custom CNN自定义卷积神经网络架构出发建立起分类任务的性能基准线随后全面引入迁移学习策略深度部署了轻量化倒残差网络MobileNetV2、基于复合缩放机制的EfficientNetB0核心网络以及具备强大深度残差拟合能力的ResNet50架构。通过在这四个具有代表性的网络模型间展开全方位的拟合对比与跑分评测本实战不仅展示了深度特征提取器在剥离背景噪声、锁定鱼体核心视觉特征方面的卓越表现更通过混淆矩阵等多维指标深度透视了各模型在相似品种间的判别边界为开发便携式水生生物智能鉴定设备或嵌入式巡检系统提供了可落地的算法参考与技术闭环。2.数据集介绍本实验数据集来源于Kaggle原始数据集为水族箱鱼类分类数据集是一个精心整理的图像数据集专为鱼类物种识别和图像分类任务而设计。它包含1016张水族箱鱼类的RGB图像这些鱼类被分为六个物种类别。该数据集旨在支持涉及水生生物物种识别的机器学习、深度学习和计算机视觉研究。它既适用于学习图像分类的初学者也适用于评估迁移学习和卷积神经网络架构的研究人员。Classes:Bete (194 images)Cray (80 images)Discuss (201 images)Gold (207 images)Guppy (189 images)Oscar (145 images)数据集统计信息图片总数1016张3.技术工具Python版本:3.9代码编辑器jupyter notebook4.实验过程4.1导入数据在搭建深度学习模型的初期环境的配置与物理数据的结构化解析是决定流水线能否高效运转的关键。我们首先集成了数值计算、文件系统操作以及深度学习的核心库并引入了包括 EfficientNetB0 在内的多种主流经典架构的预处理接口为后续的迁移学习对比实验做好铺垫。针对观赏鱼数据集的存储特性本阶段通过 Python 接口对目标路径执行自动化检索过滤掉潜在的系统杂质文件精准提取出各观赏鱼品种的文件夹名称并对整个数据集的样本总量及各类别的分布基数进行统计。这种数据基准的建立不仅能让我们在训练前洞察是否存在数据不平衡问题也为后续通过张量流流式加载影像奠定了坚实的逻辑基础。import os import random import numpy as np import pandas as pd import matplotlib.pyplot as plt import tensorflow as tf from tensorflow.keras import layers, models from tensorflow.keras.preprocessing import image_dataset_from_directory from tensorflow.keras.applications import MobileNetV2, EfficientNetB0, ResNet50 from tensorflow.keras.applications.mobilenet_v2 import preprocess_input as mobilenet_preprocess from tensorflow.keras.applications.efficientnet import preprocess_input as efficientnet_preprocess from tensorflow.keras.applications.resnet50 import preprocess_input as resnet_preprocess from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau, ModelCheckpoint from sklearn.metrics import classification_report, confusion_matrix # --- 1. 全局超参数与数据路径配置 --- DATASET_PATH /kaggle/input/datasets/jannatulferdaues/aquarium-fish-classification/Final (°_°) IMG_SIZE (224, 224) # 适配 EfficientNetB0 的标准输入分辨率 BATCH_SIZE 32 # 批大小 SEED 42 # 随机种子确保实验可重复性 # 验证根路径是否存在 print(Dataset path exists:, os.path.exists(DATASET_PATH)) # --- 2. 自动化类别名提取 --- # 扫描目录并排序过滤出所有的子文件夹作为观赏鱼的品种标签 class_names sorted([ item for item in os.listdir(DATASET_PATH) if os.path.isdir(os.path.join(DATASET_PATH, item)) ]) print(Classes:, class_names) # --- 3. 数据集规模与样本分布统计 --- total_images 0 class_counts {} valid_exts (.jpg, .jpeg, .png, .bmp, .webp) # 定义合法的图像扩展名 # 遍历每个品种文件夹统计有效观赏鱼图片数量 for cls in class_names: cls_path os.path.join(DATASET_PATH, cls) images [ img for img in os.listdir(cls_path) if img.lower().endswith(valid_exts) ] count len(images) class_counts[cls] count total_images count # 输出统计结果 print(Total Images:, total_images) print(Class Counts:, class_counts)4.2数据可视化观赏鱼品种数据分布量化分析在训练模型之前掌握数据集中每个观赏鱼品种的样本占比至关重要。如果某些珍稀鱼类的图像数量远少于常见品种模型在优化过程中很容易产生类别偏好。为此我们首先将统计得到的品种字典转化为 Pandas 的 DataFrame 结构并联合调用 Matplotlib 构建了柱状图与饼图。柱状图清晰地反映了各分类的绝对图像绝对数量而饼图则以百分比的形式展现了其相对权重这种双轨制的图表互补能让我们从统计学层面确认数据集的健康程度。# --- 1. 将样本统计字典转化为结构化 DataFrame --- df_counts pd.DataFrame({ Class: list(class_counts.keys()), Images: list(class_counts.values()) }) # --- 2. 绘制条形图直观审视各品种绝对数量 --- plt.figure(figsize(9, 5)) plt.bar(df_counts[Class], df_counts[Images]) plt.title(Class Distribution) plt.xlabel(Fish Class) plt.ylabel(Number of Images) plt.xticks(rotation45) # 标签倾斜 45 度防止品种名称相互重叠 plt.show() # --- 3. 绘制饼图客观评估类别相对占比 --- plt.figure(figsize(7, 7)) plt.pie(df_counts[Images], labelsdf_counts[Class], autopct%1.1f%%) plt.title(Class Percentage) plt.show()随机样本抽检与生物形态审视定量的统计只能告诉我们数据的多寡而定性的视觉抽检才能揭示数据质量的优劣。利用random.choice机制我们从每个观赏鱼品种文件夹中随机抽取了一张具有代表性的物理图片并以 2 x 3的网格矩阵进行集中渲染。通过移除多余的物理坐标轴我们可以排除背景杂质的视觉干扰将焦点锁定在金鱼的尾鳍、神仙鱼的扁平侧躯以及各色热带鱼独特的斑纹上。这种直观的样本回显有助于我们核验数据集是否存在严重的噪点、模糊或错误的标签划分。# --- 4. 动态网格组装随机抽检各品种图像特征 --- plt.figure(figsize(15, 10)) for i, cls in enumerate(class_names): cls_path os.path.join(DATASET_PATH, cls) # 动态获取当前品种目录下所有符合规范的图像列表 img_files [ img for img in os.listdir(cls_path) if img.lower().endswith(valid_exts) ] # 随机挑选当前分类下的一张鱼类照片 img_name random.choice(img_files) img_path os.path.join(cls_path, img_name) # 读取图像矩阵并分配到对应的子图网格 img plt.imread(img_path) plt.subplot(2, 3, i 1) plt.imshow(img) plt.title(cls) # 将子图标题设定为对应的鱼类品种 plt.axis(off) # 移除坐标轴净化图像版面 plt.tight_layout() plt.show()4.3特征工程流式数据划分与异步预取机制本环节我们通过调用image_dataset_from_directory接口将底层的物理图像流式切分为 80% 的训练集与 20% 的验证集并将尺寸统一重置为 224 x 224 的标准分辨率。为了消除硬件 I/O 带来的性能瓶颈我们构建了一个基于数据层面的特征增强序列data_augmentation包含随机水平翻转、旋转、缩放与对比度调整。随后利用shuffle(1000)打乱训练序列并全面引入prefetch(tf.data.AUTOTUNE)动态预取技术。这一优化使得 CPU 能够在 GPU 进行当前批次反向传播时异步在内存中完成下一批次图像的矩阵解码与增量增强从而实现流水线级别的高效并行计算。# --- 1. 构建实时数据增强序列 --- # 在 Keras 序贯模型中嵌入随机算子使数据在训练时动态产生空间与色彩扰动 data_augmentation tf.keras.Sequential([ layers.RandomFlip(horizontal), # 模拟鱼群由右向左或由左向右游动 layers.RandomRotation(0.15), # 模拟水流扰动引起的拍摄倾斜 layers.RandomZoom(0.15), # 模拟拍摄距离的远近变化 layers.RandomContrast(0.15), # 模拟水族箱内部不同强度的光源折射 ], namedata_augmentation) # --- 2. 流式加载与训练/验证集自动切分 --- # 从指定物理路径流式加载数据并划分出 80% 的训练集 train_ds image_dataset_from_directory( DATASET_PATH, validation_split0.2, subsettraining, seedSEED, image_sizeIMG_SIZE, batch_sizeBATCH_SIZE ) # 从同一物理路径下流式划分出 20% 的验证集 val_ds image_dataset_from_directory( DATASET_PATH, validation_split0.2, subsetvalidation, seedSEED, image_sizeIMG_SIZE, batch_sizeBATCH_SIZE ) # 提取并解析分类标签信息 class_names train_ds.class_names NUM_CLASSES len(class_names) print(Class Names:, class_names) print(Number of Classes:, NUM_CLASSES) # --- 3. 数据流水线性能深度优化 --- AUTOTUNE tf.data.AUTOTUNE # shuffle: 大内存打乱防止连续批次过拟合prefetch: 异步预取避免 GPU 空转 train_ds train_ds.shuffle(1000, seedSEED).prefetch(AUTOTUNE) val_ds val_ds.prefetch(AUTOTUNE)训练监控机制与性能可视化函数封装为了让模型的收敛过程更加稳健我们封装了get_callbacks函数它集成了三大核心回调机制EarlyStopping监控验证集准确率在连续 5 轮未见改善时自动触发保护性熔断并回滚至历史最优权重ReduceLROnPlateau监控验证集损失在连续 3 轮陷入平台期时将学习率缩减为原先的 20%赋予模型在狭窄地形中的微调能力ModelCheckpoint则作为安全策略实时将表现最好的模型以.keras格式固化到磁盘中。最后通过plot_history函数对模型生成的训练日志执行动态图表渲染以便在后续步骤中多维度复盘准确率与损失函数的演进轨迹。# --- 4. 封装多维训练监控回调策略 --- def get_callbacks(model_name): 配置智能化训练监控器组件 return [ # 早期停止防止无效训练避免模型过度拟合特定样本 EarlyStopping( monitorval_accuracy, patience5, # 容忍轮次 restore_best_weightsTrue # 触发时自动还原历史最高权重 ), # 学习率动态衰减应对梯度平原陷阱确保平滑收敛 ReduceLROnPlateau( monitorval_loss, factor0.2, # 缩减因子 patience3, # 容忍轮次 min_lr1e-7 # 学习率下限 ), # 模型权重实时持久化检查点 ModelCheckpoint( f{model_name}.keras, monitorval_accuracy, save_best_onlyTrue # 仅保存验证集准确率最高的那一轮模型 ) ] # --- 5. 封装性能曲线可视化算子 --- def plot_history(history, title): 绘制并对比训练集与验证集的准确率与损失值轨迹 # 渲染准确率趋势子图 plt.figure(figsize(8, 5)) plt.plot(history.history[accuracy], labelTrain Accuracy) plt.plot(history.history[val_accuracy], labelValidation Accuracy) plt.title(title Accuracy) plt.xlabel(Epoch) plt.ylabel(Accuracy) plt.legend() plt.show() # 渲染损失函数收敛子图 plt.figure(figsize(8, 5)) plt.plot(history.history[loss], labelTrain Loss) plt.plot(history.history[val_loss], labelValidation Loss) plt.title(title Loss) plt.xlabel(Epoch) plt.ylabel(Loss) plt.legend() plt.show()4.4构建并训练CNN模型本阶段我们通过 Keras 的Sequential序贯模型从零组装了一套 4 层的标准二维卷积网络。输入端的图像矩阵在历经特征增强后首先通过Rescaling(1./255)算子执行标准化的归一化映射。随后网络通过 3 x 3 的特征提取卷积核将通道数从 32、64 逐步推进至 128 和 256利用浅层捕捉金鱼鱼鳍的硬棘边缘深层锁定其独特的斑纹。网络末端舍弃了臃肿的全连接展平改用GlobalAveragePooling2D全局平均池化以大幅砍掉参数冗余最终配合Dropout(0.4)抵御过拟合并依托 Adam 优化器在 20 轮的最大预期周期内展开拟合探索。# --- 1. 组装自定义 CNN 拓扑网络 --- custom_cnn models.Sequential([ layers.Input(shape(224, 224, 3)), # 定义标准的输入三维张量 data_augmentation, # 嵌入在特征工程中配置的实时增强序列 layers.Rescaling(1./255), # 将 [0, 255] 的像素值缩放到 [0, 1] 空间 # 卷积特征提取层组 1捕捉图像低频浅层纹理 layers.Conv2D(32, 3, activationrelu), layers.MaxPooling2D(), # 卷积特征提取层组 2提取边缘与局部几何特征 layers.Conv2D(64, 3, activationrelu), layers.MaxPooling2D(), # 卷积特征提取层组 3抽象出多维空间结构 layers.Conv2D(128, 3, activationrelu), layers.MaxPooling2D(), # 卷积特征提取层组 4聚合深层高维语义 layers.Conv2D(256, 3, activationrelu), layers.MaxPooling2D(), # 顶层分类决策头使用全局平均池化压缩特征图尺寸 layers.GlobalAveragePooling2D(), layers.Dense(256, activationrelu), layers.Dropout(0.4), # 随机失活 40% 的神经元防止死记硬背样本 layers.Dense(NUM_CLASSES, activationsoftmax) # 输出层计算各观赏鱼类别的归一化概率 ]) # --- 2. 编译模型配置底层的损失度量与优化算法 --- custom_cnn.compile( optimizertf.keras.optimizers.Adam(learning_rate1e-3), # 注意由于使用了 image_dataset_from_directory 默认返回的整数标签故采用稀疏多分类交叉熵 losssparse_categorical_crossentropy, metrics[accuracy] ) # --- 3. 启动端到端训练流水线 --- history_cnn custom_cnn.fit( train_ds, validation_dataval_ds, epochs20, callbacksget_callbacks(custom_cnn) # 挂载动态学习率调节与安全检查点组件 ) # --- 4. 渲染性能趋势图表 --- plot_history(history_cnn, Custom CNN)4.5构建并训练MobileNetV2模型本环节我们通过编写build_transfer_model函数实现了一套高内聚、低耦合的迁移学习骨架生成器。该函数首先将传入的 MobileNetV2 骨干网络Base Model完全冻结锁死其在海量分类任务中训练好的卷积滤波器权重。在数据流向设计上输入的观赏鱼张量在历经data_augmentation的实时空间扰动后会直接喂入 MobileNetV2 专有的数据归一化算子mobilenet_preprocess。通过设置trainingFalse确保批归一化Batch Normalization层在特征提取时保持稳定最后将高阶语义流灌入由 Dense 和 Dropout(0.4) 组成的轻量分类头中以 0.0001 的低精细学习率开启参数拟合。# --- 1. 封装通用的迁移学习流水线构建器 --- def build_transfer_model(base_model, preprocess_func, model_name): # 冻结骨干网络的所有卷积权重防止预训练的通用特征提取器遭到破坏 base_model.trainable False inputs layers.Input(shape(224, 224, 3)) # 挂载数据增强层模拟复杂的物理采样噪声 x data_augmentation(inputs) # 挂载模型专属的预处理函数如 MobileNetV2 的像素值缩放 x preprocess_func(x) # 提取预训练骨干网络的特征图注意设定 trainingFalse 以稳定 BN 层的统计量 x base_model(x, trainingFalse) # 压缩特征空间并挂载自定义密集分类层 x layers.GlobalAveragePooling2D()(x) x layers.Dense(256, activationrelu)(x) x layers.Dropout(0.4)(x) # 引入 40% 的随机失活率防止特征依赖 outputs layers.Dense(NUM_CLASSES, activationsoftmax)(x) # 封装最终的端到端计算图模型 model models.Model(inputs, outputs, namemodel_name) # 编译模型针对微调任务选用更加保守细致的微小学习率 model.compile( optimizertf.keras.optimizers.Adam(learning_rate1e-4), losssparse_categorical_crossentropy, metrics[accuracy] ) return model # --- 2. 实例化预训练 MobileNetV2 骨干网络 --- # 去掉顶层千分类全连接头锁定标准的 224x224x3 输入拓扑 mobilenet_base MobileNetV2( weightsimagenet, include_topFalse, input_shape(224, 224, 3) ) # --- 3. 组装并训练 MobileNetV2 鱼类诊断模型 --- mobilenet_model build_transfer_model( mobilenet_base, mobilenet_preprocess, MobileNetV2 ) # 打印模型宏观结构与可训练参数分布 mobilenet_model.summary() # 启动拟合流程并持久化最佳检查点权重 history_mobilenet mobilenet_model.fit( train_ds, validation_dataval_ds, epochs20, callbacksget_callbacks(mobilenetv2) ) # 渲染训练过程的收敛状态图表 plot_history(history_mobilenet, MobileNetV2)4.6构建并训练EfficientNetB0模型本环节我们正式引入预训练的EfficientNetB0进行特征空间的适配整合。我们复用了先前封装的高效迁移学习流构建器build_transfer_model将去掉千分类顶层的 ImageNet 权重实例与 EfficientNet 专用的预处理算子efficientnet_preprocess深度绑定。这种流式配置能自动将输入的观赏鱼矩阵调整至网络最舒适的数值分布空间。通过冻结主干卷积特征提取器我们强迫自定义的顶层分类头在 0.0001 的精细梯度探索下将 EfficientNetB0 输出的高阶语义张量转化为对水族品种的精确分类概率并在 20 轮的最大生命周期内展开拟合。# --- 1. 实例化预训练 EfficientNetB0 骨干网络 --- # 剔除原有千分类顶层注入标准的 224x224x3 生物影像张量 efficientnet_base EfficientNetB0( weightsimagenet, include_topFalse, input_shape(224, 224, 3) ) # --- 2. 依托通用流水线组装 EfficientNetB0 核心模型 --- efficientnet_model build_transfer_model( efficientnet_base, efficientnet_preprocess, EfficientNetB0 ) # 打印并核验该核心模型的参数拓扑与层级连接 efficientnet_model.summary() # --- 3. 启动高增益参数拟合流程 --- # 挂载包含自动熔断EarlyStopping与动态降速ReduceLROnPlateau的专用回调组件 history_efficientnet efficientnet_model.fit( train_ds, validation_dataval_ds, epochs20, callbacksget_callbacks(efficientnetb0) ) # --- 4. 实时渲染训练收敛趋势图表 --- plot_history(history_efficientnet, EfficientNetB0)4.7构建并训练ResNet50模型本阶段我们正式加载预训练的ResNet50架构。为了保持对照实验的严谨性我们继续沿用先前封装的经典迁移学习流水线构建器build_transfer_model将剔除了原始千分类全连接头的 ResNet50 骨干网络与专用的特征标准化算子resnet_preprocess进行深度绑定。通过将主干网络的参数全部冻结强迫分类头在 0.0001 的精细梯度探索下专职优化针对观赏鱼 5 类品种的分类映射。模型同样挂载了自动熔断与动态学习率调节组件在 20 轮的最大预期生命周期内展开拟合。# --- 1. 实例化预训练 ResNet50 骨干网络 --- # 剔除原有千分类全连接顶层锁定标准的 224x224x3 输入拓扑 resnet_base ResNet50( weightsimagenet, include_topFalse, input_shape(224, 224, 3) ) # --- 2. 依托通用流水线组装 ResNet50 鱼类分类模型 --- resnet_model build_transfer_model( resnet_base, resnet_preprocess, ResNet50 ) # 打印并核验 ResNet50 模型的参数分布与结构拓扑 resnet_model.summary() # --- 3. 启动端到端参数拟合流程 --- # 挂载动态调速与安全检查点组件确保模型平滑收敛 history_resnet resnet_model.fit( train_ds, validation_dataval_ds, epochs20, callbacksget_callbacks(resnet50) ) # --- 4. 实时渲染训练收敛趋势图表 --- plot_history(history_resnet, ResNet50)4.8模型评估多架构横向跑分与最优模型自动筛选本环节我们首先构建了一个包含四大模型的字典models_dict并利用循环结构流式调用model.evaluate对验证集val_ds进行集中跑分测试。为了让对比一目了然我们利用 Pandas 将提取出的验证集准确率Validation Accuracy封装为结构化的 DataFrame并联合 Matplotlib 绘制了直观的柱状图。系统随后通过对准确率执行降序排列sort_values以全自动的逻辑锁定了本次实验的表现最优模型best_model从而消除了人工挑选的主观偏差。# --- 1. 初始化评估容器与对照字典 --- results {} models_dict { Custom CNN: custom_cnn, MobileNetV2: mobilenet_model, EfficientNetB0: efficientnet_model, ResNet50: resnet_model } # --- 2. 自动化循环跑分测试 --- for name, model in models_dict.items(): # 静默评估验证集指标 loss, acc model.evaluate(val_ds, verbose0) results[name] acc # --- 3. 结构化表格转换与可视化图表渲染 --- results_df pd.DataFrame({ Model: list(results.keys()), Validation Accuracy: list(results.values()) }) # 在控制台或 Notebook 中以表格形式直观展现跑分 display(results_df) # 绘制多模型性能对比柱状图 plt.figure(figsize(9, 5)) plt.bar(results_df[Model], results_df[Validation Accuracy]) plt.title(Model Comparison) plt.xlabel(Model) plt.ylabel(Validation Accuracy) plt.ylim(0, 1) # 将纵坐标固定在 [0, 1] 区间确保对比公平性 plt.xticks(rotation30) plt.show() # --- 4. 自动检索性能最优的骨干网络模型 --- best_model_name results_df.sort_values( byValidation Accuracy, ascendingFalse ).iloc[0][Model] best_model models_dict[best_model_name] print(Best Model:, best_model_name)最优模型深度透视混淆矩阵与精细化分类报告为了对筛选出的最优模型进行深入解构我们首先遍历验证集通过np.argmax锁定模型预测置信度最高的类别并将真实标签与预测标签分别归集入y_true与y_pred阵列。随后我们利用confusion_matrix算子绘制了双向混淆矩阵。矩阵的对角线代表预测正确的样本数而其余方格则量化了各品种间产生误判的绝对数量。最后通过调用classification_report打印出针对各个观赏鱼品种的精确率Precision、召回率Recall以及F1-Score为模型的工程落地提供坚实的数理背书。# --- 5. 遍历验证集提取真实标签与预测预测值 --- y_true [] y_pred [] for images, labels in val_ds: # 预测当前批次的概率分布 preds best_model.predict(images, verbose0) pred_labels np.argmax(preds, axis1) # 将张量数据平铺扩展到标准的 Python 列表中 y_true.extend(labels.numpy()) y_pred.extend(pred_labels) # 转换为 NumPy 数组以适配后续评估接口 y_true np.array(y_true) y_pred np.array(y_pred) # # 14. Confusion Matrix (混淆矩阵可视化) # # 计算多分类混淆矩阵矩阵 cm confusion_matrix(y_true, y_pred) plt.figure(figsize(8, 6)) plt.imshow(cm) # 使用内置色彩热图渲染矩阵 plt.title(fConfusion Matrix - {best_model_name}) plt.colorbar() plt.xticks(np.arange(NUM_CLASSES), class_names, rotation45) plt.yticks(np.arange(NUM_CLASSES), class_names) # 嵌套循环在矩阵的各个格子正中心实时打印样本频数文本 for i in range(NUM_CLASSES): for j in range(NUM_CLASSES): plt.text(j, i, cm[i, j], hacenter, vacenter) plt.xlabel(Predicted) plt.ylabel(Actual) plt.tight_layout() plt.show() # # 15. Classification Report (多指标详细分类报告) # # 自动计算并输出针对各品种的 Precision, Recall 和 F1 指标 report classification_report( y_true, y_pred, target_namesclass_names ) print(report)最后可以保存模型best_model.save(best_aquarium_fish_classifier.keras)5.总结本实验围绕水族箱鱼类物种识别任务利用包含 1016 张 RGB 高清影像的观赏鱼数据集成功搭建并系统评估了四种不同的图像分类网络。该数据集涵盖了 Bete、Cray、Discuss、Gold、Guppy 和 Oscar 六类典型的水生生物物种在经历了严谨的数据增强与流式分发流水线后分别喂入自定义 CNN 基准网络以及三大主流迁移学习架构中。横向跑分与多维评估结果表明相较于从头训练且验证集准确率仅为 63.05% 的自定义 CNN引入 ImageNet 预训练先验的迁移学习网络展现出了压倒性的特征提取优势。其中基于复合缩放机制的EfficientNetB0骨干网络凭借其特有的通道注意力机制成功克服了水体折射、水草背景等非目标噪声的干扰以97.04%的最高验证集准确率夺得本次实验的最优模型桂型。在对最优模型的细粒度解构中分类报告显示其加权平均 F1-score 达到了0.97特别是对 Discuss神仙鱼品种实现了100%的精准识别与完全召回而对其他品种也保持了极高且均衡的判别边界。本实战不仅有力论证了轻量化复合缩放网络在复杂生物特征识别中的卓越泛化性能也为未来将算法移植到移动端设备或智能水族巡检硬件上提供了极具工程落地价值的参考范例。资料获取更多粉丝福利关注下方公众号获取