🐶 Animal Image Classification / 动物图片分类

This project is for learning neural networks. It implements an animal image classification system, with a completed pipeline for classifying dog images.
本项目主要用于学习神经网络，实现了动物图片分类流程，目前已完成对小狗图片的分类检测。

---

🌟 Features / 功能亮点

• 🐶 Dog image classification / 小狗图片识别与分类
• 🧠 Neural network model training and inference / 神经网络模型训练与推理
• 📈 Training and evaluation process logging / 训练与评估过程记录
• 🔄 Easily extendable for other animal species / 易于扩展到其他动物类别
• ⚡ 100% Python implementation / 完全基于 Python 实现

---

🚀 Quick Start / 快速开始

1. Clone the repository / 克隆代码库

   git clone https://github.com/hihihiddssa/classfy_animals.git
   cd classfy_animals

2. Install dependencies / 安装依赖

   pip install -r requirements.txt

3. Prepare your dataset / 准备数据集

   • Place your animal images in the data/ folder
     将动物图片放入 data/ 目录

4. Train the model / 训练模型

   python train.py

5. Classify an image / 测试分类效果

   python classify.py --image_path ./data/dog1.jpg

---

🔧 Project Structure / 项目结构

classfy_animals/
├── train.py                # Training script / 训练脚本
├── classify.py             # Classification script / 分类脚本
├── requirements.txt        # Dependencies list / 依赖列表
├── README.md               # Project documentation / 项目说明
├── data/                   # Dataset directory / 数据集目录
├── model/                  # Trained models / 训练好的模型
├── utils/                  # Utility functions / 工具函数
└── ...

---

📦 Dependencies / 依赖说明

• Python 3.7+
• TensorFlow or PyTorch (depending on your implementation)
• Numpy
• Pandas
• OpenCV
• Others, see requirements.txt

---

💡 Contribution / 贡献方式

Feel free to submit Issues or Pull Requests to improve the project.
欢迎提交 Issue 或 Pull Request 改进本项目功能！

---

📄 License / 许可证

This project is licensed under the MIT License. See the LICENSE file for details.
本项目采用 MIT 许可证，详情见 LICENSE 文件。

---

✨ Author / 作者

• hihihiddssa

🐕 Dog Image Classification Project / 小狗图片分类检测项目

---

📁 File Descriptions / 程序文件详解

Core Modules / 核心功能模块

Data Processing / 数据处理相关

• p5_dataset.py

  • Custom dataset class MyDataset
  • Inherits from torch.utils.data.Dataset
  • Implements __len__ and __getitem__ methods
  • Used for loading and processing image data
  • 自定义数据集类 MyDataset，继承自 torch.utils.data.Dataset，实现了 __len__ 和 __getitem__ 方法，用于加载和处理图片数据

• p8_tensorboard.py

  • Example of using TensorBoard visualization tools
  • Shows how to log training data
  • Includes methods for visualizing images
  • TensorBoard 可视化工具使用示例，展示如何记录训练过程数据，包含图像数据的可视化方法

• p9_transforms.py

  • Data preprocessing tool example
  • Shows basic usage of the transforms module
  • Includes image transformation and normalization operations
  • 数据预处理工具示例，展示 transforms 模块的基本使用，包含图像转换、归一化等操作

• p10_UsefulTransforms.py

  • Collection of common image transformation methods
  • Includes ToTensor, Normalize, Resize, etc.
  • Shows how to compose multiple transforms
  • 常用图像变换方法集合，包含 ToTensor、Normalize、Resize 等转换，展示如何组合多个 transforms

Model Related / 模型相关

• p16_model.py

  • Example of basic neural network structure
  • Shows usage of nn.Module
  • Implements __init__ and forward methods
  • 神经网络基础结构示例，展示 nn.Module 的基本用法，包含 __init__ 和 forward 方法实现

• p23_createmodel.py

  • Example of creating a CNN model
  • Includes convolution, pooling, and fully connected layers
  • Implements a complete image classification network
  • CNN 模型创建示例，包含卷积层、池化层、全连接层，实现完整图像分类网络结构

• p27_model.py

  • Main model definition file
  • Implements CNN for image classification
  • Includes detailed network layer configuration
  • 主要模型定义文件，实现用于图像分类的 CNN 网络，包含详细的网络层配置

Training Related / 训练相关

• p27_fulltrainning.py

  • Complete model training process
  • Includes data loading, training, loss calculation
  • Uses CIFAR10 dataset for training
  • 完整模型训练流程，包含数据加载、模型训练、损失计算等，使用 CIFAR10 数据集进行训练

• p27_fulltrainning_correctratio.py

  • Training process with accuracy calculation
  • Implements test set evaluation
  • Logs various training metrics
  • 带有准确率计算的训练流程，实现测试集评估，记录训练过程各项指标

• p30_GPU_1.py

  • GPU training support
  • Shows how to move model and data to GPU
  • Complete GPU training workflow
  • GPU 训练支持实现，展示如何将模型和数据迁移到 GPU，包含 GPU 训练完整流程

Tools & Utilities / 工具和辅助模块

• p11_dataset_transform.py

  • Batch processing example for datasets
  • Shows how to apply transforms to datasets
  • Includes data visualization methods
  • 数据集批量处理示例，展示如何对数据集应用转换，包含数据可视化方法

• p15_dataloader.py

  • DataLoader usage example
  • Shows configuration of data loader
  • Includes batching and shuffling
  • DataLoader 使用示例，展示数据加载器配置方法，包含批处理、打乱等功能

• p24_lossfunc_1.py & p24_lossfunc_2netwoek.py

  • Loss function implementation and usage example
  • Includes comparison of multiple loss functions
  • Shows how to use loss functions in networks
  • 损失函数实现和使用示例，包含多种损失函数对比，展示如何在网络中使用损失函数

• p25_VGG.py

  • VGG model usage example
  • Shows how to use pre-trained models
  • Includes model modification and fine-tuning
  • VGG 模型使用示例，展示如何使用预训练模型，包含模型修改和微调方法

• p26_model_readandsave.py

  • Example of saving and loading models
  • Shows different model storage methods
  • Includes saving and reading model parameters
  • 模型保存和加载示例，展示不同模型存储方法，包含模型参数保存和读取

Testing & Validation / 测试和验证

• p29_details.py

  • Model testing and validation process
  • Includes test set evaluation methods
  • Shows how to calculate model performance metrics
  • 模型测试和验证流程，包含测试集评估方法，展示如何计算模型性能指标

• p32_testnet.py

  • Network testing implementation
  • Complete testing workflow
  • Shows how to evaluate model performance
  • 网络测试实现，包含完整测试流程，展示如何评估模型效果

---

🔧 Usage Instructions / 使用说明

1. First run p5_dataset.py to prepare the dataset
   首先运行 p5_dataset.py 准备数据集
2. Define the network structure with p27_model.py
   使用 p27_model.py 定义网络结构
3. Start training with p27_fulltrainning.py
   通过 p27_fulltrainning.py 开始训练
4. Test model performance with p32_testnet.py
   使用 p32_testnet.py 测试模型效果
5. View the training process using TensorBoard
   可以通过 TensorBoard 查看训练过程

---

📈 Visualization / 可视化

Run TensorBoard:

tensorboard --logdir=logs

运行 TensorBoard:

tensorboard --logdir=logs

---

💡 注意事项

• 确保已安装所有必要的依赖
• GPU 训练需要 CUDA 支持
• 建议使用 Python 3.7 或更高版本