1、数据集

本数据集由本人亲自使用手机进行拍摄采集，原始数据集包含了14万张图片，图片的尺寸为1024x1024，为了方便储存和传输，把原图缩小为224x224，并从中抽取了47000多张花卉的图片组成本数据集。本数据集一共有包含24种花卉（见图1)，每种花大约有2500张图片，图片大小为224x224。住所附近的大公园，一年四季都繁花似锦，让我可以在短短半年时间就可以采集到的海量的花卉图片。目前花卉的种类只有24种，不过随着时间的推移，采集到的花卉越来越多。这里就把数据集分享出来，供各位人工智能算法研究者使用。
数据集地址：https://pan.baidu.com/s/1YUkBQEoQNKoDpPJVZGd2cg?pwd=hnhy

2、图片分类模型

为了研究不同图片分类模型对于花朵的分类效果，这里分别使用目前主流的23种图片分类模型进行训练，这些模型是resnet18、resnet34、resnet50、resnet101、resnet152、vgg11、vgg13、vgg16、vgg19、mobilenet_v1、mobilenet_v2、mobilenet_v3_large、mobilenet_v3_small、inception_v1、inception_v2、inception_v3、squeezenet、mnist_net、alex_net、lenet、TSL16、ZF_Net。训练代码基于tensorflow 2.3架构，集成以上23种模型，可进行傻瓜式训练。
模型训练代码链接：https://pan.baidu.com/s/1YUkBQEoQNKoDpPJVZGd2cg?pwd=hnhy

3、图片分类模型评估

分别训练了23种模型，图片输入的尺寸为224x224x3。将约47770张图片划分为训练集和测试集，其中测试集占10%，一共47770张，训练集90%，一共40000张。训练充分后，对各种模型进行评估，评估的结果如下表1所示。

表1 模型评估

模型	参数量 [M]	计算量 [G]	准确度(accuray)
resnet18	11.01	3.59	0.8692
resnet34	21.12	7.29	0.9014
resnet50	23.6	8.16	0.9424
resnet101	42.57	15.59	0.9525
resnet152	57.07	21.27	0.9401
vgg11	128.86	15.22	0.9343
vgg13	129.05	22.63	0.8840
vgg16	134.34	30.95	0.9267
vgg19	139.67	39.28	0.9035
mobilenet_v1	3.23	1.14	0.9724
mobilenet_v2	2.27	0.63	0.9328
mobilenet_v3_large	8.76	0.45	0.9531
mobilenet_v3_small	3.06	0.122	0.9573
inception_v1	6.00	3.18	0.5824
inception_v2	7.84	3.31	0.9667
inception_v3	21.83	5.68	0.9883
squeezenet	0.74	2.23	0.9326
mnist_net	214.43	51.27	0.9223
AlexNet	14.26	1.95	0.9632
LeNet	78.44	0.94	0.8440
TSL16	116.93	23.52	0.9539
ZF_Net	58.34	2.39	0.9657

从表一展示的结果来看，面对24中类别的分类任务，mobilenet系列和inception系列，分类的准确度表现优秀，而且谢谢模型的具有较小的参数量和计算量，比较适合移动端和嵌入式部署。

4、总结

花卉数据集共包括47770张图片，囊括了24种花卉的类别，其中10%为测试集，90%为训练集。图片的大小为224x224，通道数为3。一共使用了23种模型进行训练，通过评估，mobilenet_v1、mobilenet_v3_large、mobilenet_v3_small、inception_v2、inception_v3、AlexNet、ZF_Net几个模型，具有计算量小，分类准确度高的优点，适合移动端和嵌入式的部署。