# ensemble_knn_faiss_cat_dog_recognition

**Repository Path**: liu-yi-ch-en/ensemble_knn_faiss_cat_dog_recognition

## Basic Information

- **Project Name**: ensemble_knn_faiss_cat_dog_recognition
- **Description**: 使用集成学习优化KNN 算法识别猫狗
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-10-22
- **Last Updated**: 2025-10-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 猫狗识别集成学习系统

基于集成学习(Ensemble Learning)和多种机器学习算法的猫狗图像分类系统。

## 项目简介

本项目实现了10种不同的集成学习算法，包括投票法(Voting)、装袋法(Bagging)、提升法(Boosting)和堆叠法(Stacking)等，通过对比分析选出最佳模型，实现高效的猫狗图像识别。

## 主要特性

- 🎯 多算法对比：实现并对比10种集成学习算法
- 🚀 自动选择最佳模型：根据准确率自动保存最优模型
- 🌐 Web界面：提供友好的图像上传和识别界面
- 📊 性能可视化：展示训练时间、测试时间和准确率对比
- ⚡ 高效特征提取：使用图像展平方法快速提取特征

## 项目结构

```
ensemble_knn_faiss_cat_dog_recognition/
├── train_ensemble.py          # 集成模型训练脚本
├── ensemble_webapp.py          # Web应用程序
├── train/                      # 训练数据集
│   ├── cat.*.jpg
│   └── dog.*.jpg
├── test/                       # 测试数据集
│   ├── cat.*.jpg
│   └── dog.*.jpg
├── models/                     # 保存的模型文件
│   ├── vgg16_knn_model.pkl
│   ├── resnet50_knn_model.pkl
│   └── mobilenetv2_knn_model.pkl
├── train_predict.png           # 训练结果可视化
├── cat.png                     # 测试样例（猫）
└── dog.png                     # 测试样例（狗）
```

## 安装依赖

```bash
pip install tensorflow opencv-python numpy scikit-learn flask tqdm pillow matplotlib seaborn
```

## 使用方法

### 1. 训练集成模型

运行训练脚本，生成三个KNN分类器模型：

```bash
python train_ensemble.py
```

训练完成后会生成：
- 三个模型文件保存在 `models/` 目录
- 性能对比图保存为 `train_predict.png`

**训练结果示例：**

![训练结果](train_predict.png)

训练结果展示了三个模型的性能对比，包括准确率、精确率、召回率和F1分数，以及混淆矩阵的可视化。

### 2. 启动Web应用

```bash
python ensemble_webapp.py
```

打开浏览器访问 `http://localhost:5000`

### 3. 使用Web界面识别

1. 点击"选择文件"按钮上传猫或狗的图片
2. 点击"识别"按钮
3. 查看识别结果和置信度

**测试样例：**

| 猫图片识别 | 狗图片识别 |
|:---:|:---:|
| ![猫测试](cat.png) | ![狗测试](dog.png) |

## 技术栈

- **深度学习框架**: TensorFlow/Keras
- **特征提取**: VGG16, ResNet50, MobileNetV2 (ImageNet预训练)
- **分类器**: K近邻(KNN)
- **Web框架**: Flask
- **数据处理**: NumPy, OpenCV
- **可视化**: Matplotlib, Seaborn

## 模型架构

```
输入图片
    ↓
特征提取层(并行)
├── VGG16 → KNN分类器 → 预测1
├── ResNet50 → KNN分类器 → 预测2  
└── MobileNetV2 → KNN分类器 → 预测3
    ↓
投票集成(Soft Voting)
    ↓
最终预测结果
```

## 性能指标

模型在测试集上的表现（以实际运行结果为准）：

- **VGG16**: 准确率 ~XX%, F1-Score ~XX%
- **ResNet50**: 准确率 ~XX%, F1-Score ~XX%
- **MobileNetV2**: 准确率 ~XX%, F1-Score ~XX%
- **集成模型**: 准确率 ~XX%, F1-Score ~XX%

## 注意事项

1. 首次运行训练脚本时会下载预训练模型，需要网络连接
2. 确保 `train/` 和 `test/` 目录中有足够的训练和测试数据
3. 图片命名格式：`cat.*.jpg` 或 `dog.*.jpg`
4. 推荐使用GPU加速训练过程

## 个人信息
- 学号: 202352320122
- 年级: 2023
- 专业: 智能科学与技术
- 班级: 1班