传统的花卉识别算法一般是建立在手动特征提取和分类器训练的基础上，其泛化能力有限且准确度存在瓶颈。为此提出了基于深度卷积网络的识别算法，采用152层残差网络架构，在爬虫获取的大量标定数据基础上，对神经网络进行迁移学习训练。上线发布的算法集成系统中，用户拍照获取的花卉照片可通过网络传输到云服务器，并在服务端部署的深度学习架构下实现花卉快速识别。针对ImageNet和网龙花卉数据集的实验对比结果表明，基于残差网络迁移学习的方法具有识别准确率高、实时反馈、鲁棒性好等特点。

提前说明一下，本文的CNN神经网络模型是参考网上诸多相关CNN图像分类大牛的博客修改的，在模型的基础上，用python的Flask框架搭载了一个web页面用来可视化展示。 第一步，爬取图片数据集 用python实现了一个非常简单的网络爬虫，对百度图片接口 http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=高清动漫&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid

本数据集共有杜鹃花、风信子、桂花、荷花、菊花、康乃馨、洛神花七个分类，每个类别提供1000张图片集合。

InceptionV2的迁移模型，包括数据集，有txt，训练代码，测试代码，测试代码里用pyqt5写了个简单的界面，已经训练到90%准确率。提供给大家学习。

网上的4000多张的五分类花卉，里面很多图片不满意，甚至玫瑰组里全是月季，我手动去除了不满意的图片，留下了2671张，包括了数据集txt文件，上传在这里提供给大家用。

使用TensorFlow进行卷积神经网络实现花卉分类的项目，加载十种花分类，建立模型后进行预测分类图片 环境：win10 +TensorFlow gpu 1.12.0+pycharm 训练集 训练数据存放路径为:‘flower/train/花文件名/*.jpg’ 训练模型存储路径为:'flower/model/‘ 测试样本路径及文件名为:'flower/test/花文件名/**.jpg‘ 文章：https://blog.csdn.net/qq_33290233/article/details/107035583#comments_15506322

亲测可以直接运行，先运行CNN训练神经网络，再运行predict进行花卉预测。