基于 MobileNetV2 的云朵分类项目

本项目提供了一个使用 PyTorch 和 MobileNetV2 架构进行云朵分类模型训练、评估和可视化的完整流程。 使用MIT许可。

项目简介

项目包含三个核心脚本：

• train.py: 在GCD数据集上训练 MobileNetV2 模型。脚本会自动划分训练集和验证集，应用数据增强，并根据验证集准确率保存最优模型。
• evaluate.py: 在测试集上评估已训练好的模型。脚本会计算准确率、生成详细的分类报告和混淆矩阵图。
• visualize.py: 对指定文件夹中的图片进行推理预测，并将带有预测类别和置信度的结果图保存下来。

环境与准备

先决条件

• Python 3

环境安装

1. 建议创建一个虚拟环境。
2. 安装所有必需的库：

   pip install torch torchvision pandas seaborn matplotlib scikit-learn opencv-python numpy

目录结构

本项目使用TJNU Ground‑based Cloud Dataset (GCD) 数据集，包含中国多个省份地面拍摄的云朵图像。按 WMO 云属标准分 7 类，约有19,000张图像。 在项目根目录下，请解压GCD.zip获得train和test文件夹并手动创建input_images和output_images文件夹：

• train/: 存放训练图片，每个子文件夹代表一个类别，文件夹名为类别名。
• test/: 存放测试图片，目录结构与 train 文件夹相同。
• input_images/: 存放需要进行可视化预测的单张图片。
• output_images/: 可视化后的结果图片将保存在这里。
• train.py：模型训练脚本
• visualize.py：图片预测结果可视化
• evaluate.py：模型评估脚本

如何运行

1. 训练模型

• 配好上述环境，设置好路径
• 运行训练脚本：

  python train.py

• 训练完成后，会在根目录生成一个 best_model.pth 文件，其中包含了效果最好的模型权重。

2. 评估模型

• 确保根目录下已有 best_model.pth 和 class_mapping.json 文件。也可以直接用我训练好的权重文件，不过他的正确率只有91.8%。
• 运行评估脚本：

  python evaluate.py

• 评估结果（准确率、分类报告）将直接打印在控制台，同时会生成一张 confusion_matrix.png 混淆矩阵图。

3. 可视化预测

• 将您想预测的图片放入 input_images 文件夹。
• 确保根目录下已有 best_model.pth 和 class_mapping.json 文件。
• 运行可视化脚本：

  python visualize.py

• 带有预测结果的图片将会被保存在 output_images 文件夹中。