WangZhongZhi

汪种知 🐕

您的智能犬种识别助手，让每一次相遇都成为了解的开始

项目简介

「汪种知」是一款革新性的犬种识别应用，融合了最新的人工智能技术与直观的用户界面设计。基于 Flutter 框架开发，集成深度学习模型，支持 60 种犬种的实时识别，为爱犬人士和专业人员提供便捷、准确的犬种鉴定服务。

🌟 核心特色

🎯 应用场景

🛠 技术亮点

💡 创新价值

  1. 科普教育

    • 提供专业的犬种知识库
    • 帮助用户了解不同犬种特点
    • 促进科学养犬理念传播

  2. 行业应用

    • 为专业人士提供辅助工具
    • 提高工作效率和准确度
    • 促进行业数字化转型

  3. 社会价值

    • 推广科学养犬理念
    • 提高养犬认知水平
    • 促进人犬和谐相处

🔮 未来展望

  1. 技术升级

    • 持续优化识别算法
    • 扩充犬种数据库
    • 提升识别准确率

  2. 功能拓展

    • 添加犬种行为分析
    • 整合健康管理功能
    • 开发社区互动模块

  3. 场景延伸

    • 拓展专业版功能
    • 对接行业解决方案
    • 探索商业化可能

基于 Flutter 框架开发的犬种识别应用，集成深度学习模型，支持 60 种犬种的实时识别。本项目作为人工智能与移动应用开发的实践项目，旨在提供一个完整的端到端解决方案。

培训说明

培训目标

培训内容

  1. Flutter 基础

    • Flutter 环境搭建
    • Dart 语言基础
    • Widget 介绍与使用
    • 布局与导航

  2. UI 开发

    • Material Design 组件
    • Cupertino 组件
    • 自定义 Widget
    • 响应式布局

  3. 状态管理

    • setState
    • GetX 使用

  4. 网络与数据

    • HTTP 请求
    • JSON 解析
    • 本地存储
    • 数据库操作

学习资源

项目实践

学员将通过实际项目练习来巩固所学知识，包括：

📂 项目结构

wangzhongzhi/
├── lib/                    # Flutter应用主目录
│   ├── pages/             # 页面文件
│   └── main.dart          # 应用入口文件
├── assets/                # 资源文件目录
│   └── models/            # 模型文件
│       ├── breed_zh.txt   # 中文犬种名称
│       ├── breed_en.txt   # 英文犬种名称
│       └── dog_breed_classifier.tflite  # 转换后的模型文件
├── training/              # 模型训练相关文件
│   ├── images/           # 训练图片目录
│   │   ├── train/       # 训练集
│   │   ├── validation/  # 验证集
│   │   └── test/        # 测试集
│   ├── train.py         # 训练脚本
│   └── logger_config.py # 日志配置
└── README.md             # 项目说明文档

🚀 模型训练指南

环境配置

# 创建虚拟环境
python -m venv venv

# 激活虚拟环境
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

# 安装依赖
pip install tensorflow numpy pillow

数据准备

  1. 在 training/images/ 目录下创建训练、验证和测试数据集文件夹
  2. 每个犬种创建独立子文件夹，文件夹名为犬种英文名
  3. 将对应图片放入相应文件夹
training/images/
├── train/
│   ├── labrador_retriever/
│   ├── german_shepherd/
│   └── ...
├── validation/
│   ├── labrador_retriever/
│   ├── german_shepherd/
│   └── ...
└── test/
    ├── labrador_retriever/
    ├── german_shepherd/
    └── ...

执行训练

# 进入训练目录
cd training

# 运行训练脚本
python train.py

train.py 核心功能

训练参数说明

注意事项

  1. 确保训练数据集分布均衡
  2. 图片格式支持：JPG、PNG
  3. 建议每个类别至少准备 100 张图片
  4. 训练过程中会自动记录日志
  5. 可通过调整 train.py 中的参数优化训练效果

模型训练数据

Found 601 images belonging to 60 classes.
Found 300 images belonging to 60 classes.
Epoch 1/10
12/18 [===================>..........] - ETA: 22s - loss: 4.1473 - accuracy: 0.0080/Library/Frameworks/Python.framework/Versions/3.10/lib/python3.10/site-packages/PIL/Image.py:1054: UserWarning: Palette images with Transparency expressed in bytes should be converted to RGBA images
warnings.warn(
18/18 [==============================] - 62s 3s/step - loss: 4.1303 - accuracy: 0.0053 - val_loss: 4.0923 - val_accuracy: 0.0278
Epoch 2/10
18/18 [==============================] - 34s 2s/step - loss: 4.0942 - accuracy: 0.0264 - val_loss: 4.0807 - val_accuracy: 0.0521
Epoch 3/10
18/18 [==============================] - 29s 2s/step - loss: 4.0757 - accuracy: 0.0246 - val_loss: 4.0029 - val_accuracy: 0.0417
Epoch 4/10
18/18 [==============================] - 29s 2s/step - loss: 3.9938 - accuracy: 0.0387 - val_loss: 3.8604 - val_accuracy: 0.0660
Epoch 5/10
18/18 [==============================] - 31s 2s/step - loss: 3.8481 - accuracy: 0.0791 - val_loss: 3.6985 - val_accuracy: 0.1181
Epoch 6/10
18/18 [==============================] - 43s 2s/step - loss: 3.7142 - accuracy: 0.0949 - val_loss: 3.4112 - val_accuracy: 0.1840
Epoch 7/10
18/18 [==============================] - 35s 2s/step - loss: 3.5063 - accuracy: 0.1230 - val_loss: 3.1563 - val_accuracy: 0.1875
Epoch 8/10
18/18 [==============================] - 18s 1s/step - loss: 3.1739 - accuracy: 0.2021 - val_loss: 2.7770 - val_accuracy: 0.3472
Epoch 9/10
18/18 [==============================] - 19s 1s/step - loss: 3.0304 - accuracy: 0.2302 - val_loss: 2.5901 - val_accuracy: 0.3229
Epoch 10/10
18/18 [==============================] - 22s 1s/step - loss: 2.7395 - accuracy: 0.2917 - val_loss: 2.2847 - val_accuracy: 0.4271
Found 298 images belonging to 60 classes.
10/10 [==============================] - 4s 364ms/step - loss: 2.3151 - accuracy: 0.4262
[鹰眼 AI]: 2025-02-14 19:19:55,616 - **main** - INFO - 测试准确率: 0.42617449164390564

数据集信息

数据集类型 图片数量 类别数量
训练集 601 60
验证集 300 60
测试集 298 60

🌟 数据分布数学描述：

训练结果

最终性能指标
数据集类型 准确率
训练集 29.17%
验证集 42.71%
测试集 42.62%

🌟 性能分析：

训练进度表现
训练阶段 准确率 说明
起始阶段 0.53% 模型开始学习
中期阶段 18.75% 性能显著提升
最终阶段 42.71% 达到最佳表现

注：通过 10 轮（epochs）训练，模型性能从初始的 0.53%提升至最终的 42.71%，显示出良好的学习能力。

🌟 学习曲线分析： 令 $a_t$ 表示第 $t$ 个 epoch 的准确率，可得学习速率： \(\alpha_t = \frac{a_{t} - a_{t-1}}{\Delta t}\) 其中 $\Delta t$ 为时间间隔（单位：秒）

犬种分类对照表

本项目包含 30 种常见犬种的分类，以下是英文和中文对照：

英文名称 中文名称
Labrador Retriever 拉布拉多寻回犬
German Shepherd 德国牧羊犬
Golden Retriever 金毛寻回犬
French Bulldog 法国斗牛犬
Bulldog 英国斗牛犬
Poodle 贵宾犬
Beagle 比格犬
Rottweiler 罗威纳犬
Dachshund 腊肠犬
Yorkshire Terrier 约克夏梗
Boxer 拳师犬
Pomeranian 博美犬
Chihuahua 吉娃娃
Siberian Husky 西伯利亚哈士奇
Great Dane 大丹犬
Doberman Pinscher 杜宾犬
Shih Tzu 西施犬
Border Collie 边境牧羊犬
Cocker Spaniel 可卡犬
Australian Shepherd 澳大利亚牧羊犬
Bernese Mountain Dog 伯恩山犬
Pug 巴哥犬
Corgi 柯基犬
Saint Bernard 圣伯纳犬
Chow Chow 松狮犬
Alaskan Malamute 阿拉斯加雪橇犬
Bull Terrier 牛头梗
Dalmatian 大麦町犬
Shetland Sheepdog 设得兰牧羊犬
Newfoundland 纽芬兰犬

📐 技术原理

深度学习模型架构

  1. 卷积神经网络结构 输入层 (150×150×3) → 卷积层 → 池化层 → 全连接层 → 输出层 (60 类别)

  2. 数据预处理

🌟 卷积运算数学表示： \((I * K)_{ij} = \sum_{m}\sum_{n} I(i+m,j+n)K(m,n)\) 其中：

模型评估指标

  1. 准确率计算 \(Accuracy = \frac{TP + TN}{TP + TN + FP + FN} \times 100\%\) 其中：
  1. 损失函数 交叉熵损失： \(L = -\frac{1}{N}\sum_{i=1}^{N}\sum_{c=1}^{C} y_{i,c} \log(p_{i,c})\) 其中：

🌟 梯度下降更新公式： \(\theta_{t+1} = \theta_t - \eta \cdot \nabla_\theta L(\theta_t)\) 其中：

🌟 Adam 优化器参数更新： \(m_t = \beta_1 m_{t-1} + (1-\beta_1)g_t\) \(v_t = \beta_2 v_{t-1} + (1-\beta_2)g_t^2\) \(\hat{m}_t = \frac{m_t}{1-\beta_1^t}\) \(\hat{v}_t = \frac{v_t}{1-\beta_2^t}\) \(\theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{\hat{v}_t} + \epsilon}\hat{m}_t\) 默认参数：$\beta_1=0.9$, $\beta_2=0.999$, $\epsilon=10^{-8}$

模型优化策略

🌟 学习率衰减： 采用指数衰减策略： \(\eta_t = \eta_0 \cdot e^{-kt}\) 其中：

🌟 正则化方法： L2 权重衰减： \(L_{total} = L + \frac{\lambda}{2}\|\theta\|^2\) 其中 $\lambda$ 为正则化系数

📈 性能优化建议

  1. 数据增强公式扩展：

    • 随机旋转角度：$\theta \sim U(-15^\circ, 15^\circ)$
    • 亮度调整因子：$\alpha \sim U(0.8, 1.2)$
    • 对比度调整：$\beta \sim U(0.8, 1.2)$

  2. 模型复杂度分析： 参数量计算公式： \(Params = \sum_{l=1}^{L}(k_l \times k_l \times c_{in}^{(l)} \times c_{out}^{(l)} + c_{out}^{(l)})\) 其中：

    • $k_l$ = 第 l 层卷积核尺寸
    • $c_{in}^{(l)}$ = 输入通道数
    • $c_{out}^{(l)}$ = 输出

📱 应用演示


实时识别界面
识别结果展示

主要功能展示：

许可证

本项目采用 木兰宽松许可证 (Mulan PSL) 进行许可。
有关详细信息，请参阅 LICENSE 文件。

License: Mulan PSL v2

🌟 开源项目赞助计划

用捐赠助力发展

感谢您使用本项目！您的支持是开源持续发展的核心动力。
每一份捐赠都将直接用于：
✅ 服务器与基础设施维护
✅ 新功能开发与版本迭代
✅ 文档优化与社区建设

点滴支持皆能汇聚成海，让我们共同打造更强大的开源工具！

🌐 全球捐赠通道

国内用户


🔵 支付宝
🟢 微信支付

国际用户

📌 开发者社交图谱

技术交流

社交互动

🙌 感谢您成为开源社区的重要一员！
💬 捐赠后欢迎通过社交平台与我联系，您的名字将出现在项目致谢列表！

This site is open source. Improve this page.