# lazy

**Repository Path**: liuwenjing2/lazy

## Basic Information

- **Project Name**: lazy
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-12-10
- **Last Updated**: 2023-12-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# lazypredict_dog_cat

# 项目描述
这段代码是一个使用Python编写的机器学习项目，主要功能是通过训练和测试数据集，找到最佳的分类模型，并对新的图像进行预测。项目使用了lazypredict库进行模型选择，faiss库进行数据预处理，pickle库保存和加载模型，gradio库创建用户界面，以及cv2库处理图像。

# 功能
本项目实现了以下功能：
- 加载和预处理数据：从指定的文件夹中读取训练数据，并将其转换为浮点数类型，然后对数据进行L2归一化。
- 数据集分割：将数据集划分为训练集和测试集，其中测试集占总数据的25%。
- 模型训练：使用LazyClassifier库训练多个模型，并选择F1分数最高的模型。
- 模型预测：使用最佳模型对测试集进行预测，并输出预测结果。
- 图像预处理：定义一个函数，将输入的图像转换为灰度图像，调整大小为32x32像素，并重塑为1D数组。
- 图像预测：定义一个函数，接收一张图像作为输入，调用图像预处理函数进行处理，然后使用最佳模型进行预测，最后返回预测结果（猫或狗）。
- 创建用户界面：使用gradio库创建一个用户界面，用户可以上传一张图像，然后点击按钮进行预测。
![输入图片说明](1.png)
![输入图片说明](2.png)
# 依赖
本项目依赖以下库：
- numpy
- faiss
- sklearn
- argparse
- logging
- tqdm
- cv2
- os
- imutils
- pickle
- tensorflow
- gradio

# 使用
1. 安装依赖库
2. 运行训练脚本
```bash
python train.py -m [cpu|gpu] -f [flat|vgg] -l [sklearn|faiss]
```
其中：
   - `-m`：选择训练模式，可选值为cpu或gpu
   - `-f`：选择特征提取方法，可选值为flat或vgg
   - `-l`：选择使用的库，可选值为sklearn或faiss

3. 查看训练结果
- 训练完成后，程序会输出最佳的k值和相应的准确率。

# 注意
- 本项目使用Python 3.8及以上版本进行开发和测试。
- 本项目使用FAISS库进行高效的相似度搜索和稠密向量的聚类。
- 本项目使用sklearn库中的K近邻分类器作为对比实验。
- 本项目使用VGG16模型进行图像特征提取。
- 本项目使用logging库记录日志。
- 本项目使用tqdm库在循环中添加进度条。

## 个人信息
- 学号: 202152320124
- 年级: 2021
- 专业: 智能科学与技术
- 班级: 1班