基于深度学习的水果分类系统

本项目是一个基于 Django 和 PyTorch 的水果图像分类系统，支持水果图片上传、模型选择、分类预测和结果展示。
项目已将系统名称、数据集参数和类别索引统一为水果分类场景，数据来源以本地项目文件为准。

技术栈

本项目采用前后端分离与深度学习模型相结合的技术架构，各组件分工明确：

• Django：负责后端页面渲染、URL 路由分发、文件上传处理以及模板引擎整合，提供完整的 Web 服务支持。
• PyTorch / torchvision：作为深度学习框架，承担图像预处理（Resize、Normalize、ToTensor）、模型加载与推理计算，支持 GPU/CPU 自动切换。
• HTML / CSS：构建前端上传页面与结果展示页面，采用响应式布局适配不同屏幕尺寸，提升用户体验。
• openpyxl + matplotlib：读取训练过程中保存的 Excel 日志文件，动态生成准确率与损失曲线图，便于直观分析模型训练效果。
• Pillow：用于图片格式转换与基础图像处理，确保上传图片兼容性。

数据集说明

数据集目录位于DjangoProject/dataset/fruits，按类别分文件夹存放。当前训练集图片共 1317 张，测试集图片 327 张，涵盖 5 个常见水果类别，各类别分布如下：

数据集图片均为自然场景拍摄，包含不同光照、角度和背景，有助于提升模型在实际应用中的泛化能力。训练前会自动对图片进行统一尺寸缩放（224×224）和数据增强（随机翻转、色彩抖动等）。

水果数据集样例图

系统首页截图

系统结果页效果图

系统功能

系统围绕水果图像分类的核心需求，设计了以下完整功能模块：

• 水果图片上传：用户通过 Web 页面选择本地水果图像，支持 JPG、PNG 格式，上传后自动保存至临时目录并显示预览。
• 模型选择：系统自动扫描models/目录下的预训练权重文件，以下拉列表形式展示可用模型，用户可自由切换不同架构进行对比。
• 分类预测：调用对应模型的predict.py脚本，对上传图片进行预处理后送入模型推理，输出 Softmax 概率分布，取最高概率类别作为预测结果。
• 结果展示：预测完成后返回模型名称、预测水果类别、分类置信度（百分比）以及上传的原图，结果页面支持一键重新上传测试。
• 历史记录（可选扩展）：记录每次预测的图片、模型和结果，便于后续分析模型在不同样本上的表现差异。

模型

本项目集成了丰富的深度学习模型库，覆盖经典卷积网络与前沿 Transformer 架构，方便对比不同模型在水果分类任务上的表现：

• 经典 CNN 系列：AlexNet、VGGNet、GoogLeNet（Inception v1）、ResNet（残差网络）、DenseNet（密集连接网络）
• 轻量级系列：MobileNet（适合移动端部署）、ShuffleNet（分组卷积优化）、EfficientNet（复合缩放策略）
• 最新架构系列：RegNet（设计空间搜索）、Swin Transformer（层级式窗口注意力）、Vision Transformer（ViT，纯 Transformer 图像分类）
• 基础入门系列：LeNet（适合快速验证流程）

每个模型均提供独立的predict.py推理脚本，权重文件存放于models/目录下，命名格式为模型名_fruits.pth。用户可在前端页面自由切换模型，系统自动加载对应权重并完成推理。

运行流程

按照以下步骤即可在本地启动并体验水果分类系统：

1. 进入项目目录

   cdDjangoProject

2. 激活 conda 环境（确保已安装 PyTorch 和 Django 依赖）

   conda activateenv

3. 启动 Django 开发服务器

   python manage.py runserver

   默认监听http://127.0.0.1:8000/，如需自定义端口可追加端口号。

4. 打开浏览器访问
   在浏览器地址栏输入http://127.0.0.1:8000/，进入系统首页。

5. 上传图片并查看结果

   • 点击「选择文件」按钮，从本地选择一张水果图片
   • 从下拉列表中选择要使用的模型
   • 点击「开始预测」按钮，等待推理完成
   • 结果页面将展示预测类别、置信度分数以及上传的原图

💡 提示：首次启动时 Django 会自动创建 SQLite 数据库文件，无需额外配置数据库。

项目总结与优化方向

• 补充 Apple 类样本，缓解类别不均衡
• 补齐各模型的最终训练权重，保证页面可选模型都能预测
• 增加混淆矩阵展示、误分类样本分析及接口异常提示
• 将英文类别映射为中文水果名称，提升界面友好度