一、项目简介本系统是一个基于深度学习的花卉识别应用通过 PyQt5 图形界面完成花卉图像识别、结果分析和数据管理。二、项目功能用户账户管理注册、登录和密码修改单张图像识别上传单张花卉图像进行识别批量图像识别按文件夹批量导入识别数据导出识别结果可导出为 CSV历史记录查询查看历史识别记录花卉详细信息展示识别花卉的特征和说明三、技术架构层级技术说明界面PyQt5桌面图形界面模型PyTorch、MobileNet轻量级花卉分类数据库MySQL用户信息和识别记录图像处理Pillow、matplotlib预处理与结果展示识别流程图像预处理缩放、标准化→ MobileNet 推理 → 展示类别、置信度和花卉信息。四、支持识别的花卉类别可识别向日葵、蒲公英、薰衣草、百合、莲花、兰花、玫瑰、郁金香、雏菊等常见花卉。五、运行环境Windows 10 或更高版本Python 3.6PyTorch 1.7、PyQt5、Pillow、matplotlib、pymysql安装依赖pipinstalltorch torchvision PyQt5 Pillow matplotlib pymysqlMySQL 默认连接为本机root/root系统会自动建库建表。启动python main.py六、模型训练如需重新训练python train.py --data-path 数据集路径--epochs100--batch-size8训练后的模型保存在weights目录。七、项目结构flower_recognition/ ├── 主界面.py # 主程序入口 ├── login.py # 登录系统 ├── train.py # 模型训练 ├── my_dataset.py # 自定义数据集 ├── models/ # 模型定义 │ └── mobilenet.py # MobileNet 结构 ├── utils.py # 工具函数 ├── weights/ # 模型权重 └── ui/ # 界面文件八、交付内容桌面端完整源码含识别、训练和用户管理模型权重、依赖清单和数据库初始化项目说明文档本项目为个人原创结构清晰功能完整适合课程设计、毕业设计和个人学习使用。如需购买项目成品或定制化需求可以联系作者。个人网址https://michael-jay.pages.dev/
