基于VGG16深度學習模型的服裝識別系統(tǒng)設(shè)計

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

目錄

、宋體、1.5倍行距.

1引言............................................................................................................................1

1.1項目背景......................................................................................................1

1.2開發(fā)環(huán)境與工具..........................................................................................1

1.2.1CNN算法簡介........................................................................................1

1.2.2VGG16簡介............................................................................................2

1.2.3OpenCv簡介..........................................................................................3

2需求分析....................................................................................................................4

2.1可行性需求分析..........................................................................................4

2.2數(shù)據(jù)集采集功能分析..................................................................................5

2.3關(guān)鍵技術(shù)分析..............................................................................................5

2.3.1數(shù)據(jù)采集技術(shù).......................................................................................5

2.3.2VGG算法技術(shù)........................................................................................6

3數(shù)據(jù)采集....................................................................................................................9

3.1數(shù)據(jù)需求分析..............................................................................................9

3.2數(shù)據(jù)集獲取分析..........................................................................................9

3.3編程實現(xiàn)....................................................................................................10

4數(shù)據(jù)集處理..............................................................................................................10

4.1數(shù)據(jù)預(yù)處理................................................................................................11

4.2切分訓(xùn)練集和測試集................................................................................12

5模型構(gòu)建及評估分析..............................................................................................14

5.1模型構(gòu)建....................................................................................................14

5.1.1模型網(wǎng)絡(luò)結(jié)構(gòu).....................................................................................14

5.1.2創(chuàng)建模型.............................................................................................14

5.2模型編譯....................................................................................................15

5.2.1優(yōu)化器設(shè)置.........................................................................................16

I

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

5.3模型訓(xùn)練....................................................................................................16

5.3.1模型訓(xùn)練設(shè)置.....................................................................................16

5.3.2繪制模型曲線.......................................................錯誤!未定義書簽。

5.4模型部署....................................................................................................17

5.4.1系統(tǒng)前端設(shè)計.....................................................................................17

5.4.2系統(tǒng)后端部署.....................................................................................17

5.4.3設(shè)計效果展示及分析.........................................................................18

6小結(jié)..........................................................................................................................19

參考資料.........................................................................................................................21

II

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

基于VGG16深度學習模型的服裝識別系統(tǒng)設(shè)計題目

格式：小二號，黑體，加粗，黑體，段前段后各12磅，1.5倍行距，居中對齊）

1引言

隨著科學技術(shù)和信息化時代的發(fā)展，人工智能領(lǐng)域也在不斷地更新遞進，

逐步朝著先進、精準的方向發(fā)展。而中國在計算機領(lǐng)域也取得了許多成就，努

力將自我躋身于世界之中去，為大家呈現(xiàn)一種科學化、合理化的發(fā)展方式。

1.1項目背景

隨著科學技術(shù)的發(fā)展，信息化水平逐步提升，人們的生活質(zhì)量改善，衣食

住行不再愁，而對心靈和精神的需求也隨之而不斷增強，人們對“時尚”一詞

更加崇尚，也更加注重穿著打扮對一個人帶來的影響。

但是，在這個信息化發(fā)展的時代，光靠視覺來識別“時尚”是比較籠統(tǒng)、

繁雜的。因此，我們可以利用大數(shù)據(jù)、人工智能等領(lǐng)域的發(fā)展來實現(xiàn)對“時尚”

標簽一領(lǐng)域的分析與辨別，人工智能服裝識別將是當前和未來的大勢所趨。隨

著人工智能技術(shù)的快速發(fā)展和應(yīng)用場景的不斷拓展，服裝識別已經(jīng)成為人工智

能領(lǐng)域的一個重要研究方向。在電商領(lǐng)域，人工智能服裝識別可以幫助網(wǎng)店自

動化地完成商品拍攝、圖像處理、標注和分類等工作，提高工作效率和準確率。

在時尚行業(yè)，人工智能服裝識別可以幫助設(shè)計師更好地了解市場趨勢和消費者

需求，提高設(shè)計的創(chuàng)新性和實用性。

此外，人工智能服裝識別還可以應(yīng)用于智能家居、智能安防、智能交通等

領(lǐng)域，提高生活和工作的便利性和安全性。因此，人工智能服裝識別具有廣泛

的應(yīng)用前景和市場潛力。

我的畢業(yè)設(shè)計就是基于人工智能之深度學習來實現(xiàn)對服裝的識別。

1.2開發(fā)環(huán)境與工具

1.2.1CNN算法簡介

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種常用的深度學習算法，用于圖像識別和分類。

它可以自動從輸入圖像中提取特征，并將它們映射到相應(yīng)的類別。CNN是卷積神

經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork）的簡稱，它是一種用于圖像識別、

1

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

語音識別和自然語言處理等領(lǐng)域的深度學習算法，也是目前最先進的圖像識別

算法之一。

CNN主要由卷積層、池化層、全連接層和激活函數(shù)等組成。其中，卷積層和

池化層是整個網(wǎng)絡(luò)的核心部分。卷積層通過卷積運算提取圖像的特征，池化層

則通過降采樣操作減少特征圖的大小，從而減少計算量和內(nèi)存占用。

CNN的訓(xùn)練過程通常使用反向傳播算法，通過調(diào)整權(quán)重和偏置來最小化損失

函數(shù)，以提高模型的準確率和泛化能力。在實際應(yīng)用中，CNN還可以通過遷移學

習、數(shù)據(jù)增強等方法進一步提高性能和適應(yīng)性?？偟膩碚f，CNN算法具有以下優(yōu)

點：

1.可以自動學習圖像的特征，無需手動提取特征。

2.在圖像識別等領(lǐng)域具有非常好的表現(xiàn)。

3.可以通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和超參數(shù)來適應(yīng)不同的任務(wù)和數(shù)據(jù)集。

4.可以使用GPU等硬件加速訓(xùn)練和推理過程，提高效率。

因此，CNN算法已經(jīng)成為圖像識別等領(lǐng)域的主流算法之一。

1.2.2VGG16簡介

VGG16是一種非常適合于分類與位置問題的模式，它的名字來源于牛津大學

的一個幾何小組。VGG按照其核心卷積的層數(shù)不同，可分為A,A,A,B,C6種構(gòu)型；

D、E是VGG16以及VGG19中使用的最多的兩個。VGG16是一種深度卷積神經(jīng)網(wǎng)

絡(luò)，由牛津大學計算機視覺組（VisualGeometryGroup）于2014年提出。

它是VGG系列中的一個模型，具有16層卷積層和全連接層。

VGG16的主要特點是網(wǎng)絡(luò)結(jié)構(gòu)非常簡單和規(guī)則，所有卷積層都采用3x3的卷

積核和1個像素的步長，所有池化層都采用2x2的池化核和2個像素的步長。

這種設(shè)計使得VGG16具有非常好的可解釋性和通用性，能夠在不同的圖像識別

任務(wù)中表現(xiàn)出色。

VGG16的訓(xùn)練過程通常使用反向傳播算法和隨機梯度下降等方法，通過調(diào)整

權(quán)重和偏置來最小化損失函數(shù)，以提高模型的準確率和泛化能力。在實際應(yīng)用

中，VGG16還可以通過遷移學習等方法進一步提高性能和適應(yīng)性?？偟膩碚f，

VGG16算法具有以下優(yōu)點：

1.網(wǎng)絡(luò)結(jié)構(gòu)簡單、規(guī)則，易于理解和實現(xiàn)。

2.具有很強的通用性和可解釋性，適用于不同的圖像識別任務(wù)。

3.在圖像識別領(lǐng)域具有非常好的表現(xiàn)。

4.可以通過遷移學習等方法進一步提高性能和適應(yīng)性。

2

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

因此，VGG16算法是圖像識別領(lǐng)域的一個重要算法，被廣泛應(yīng)用于計算機視

覺、自然語言處理等領(lǐng)域。

1.2.3OpenCv簡介

OpenCV是一款面向Linux，windows，Android，Mac等多個平臺的開放源碼

電腦視覺和機器學習軟件庫。其重量輕，效率高，包括一組C函數(shù)以及少數(shù)的C++

類，并為Python、Ruby、MATLAB等語言提供了一個界面，可以實現(xiàn)許多在圖像

處理和計算機視覺領(lǐng)域中的常用算法。

OpenCV是一個開源的計算機視覺庫，支持多種編程語言，包括C++、

Python、Java等。它提供了一系列用于圖像處理和計算機視覺的函數(shù)和工具，

可以用于實現(xiàn)各種圖像處理和計算機視覺應(yīng)用，如人臉識別、目標跟蹤、運動

檢測等。

OpenCV最初是由英特爾公司發(fā)起的一個開源項目，后來被捐贈給了開源社

區(qū)。它的主要特點包括：

1.跨平臺性：OpenCV可以在Windows、Linux、MacOS等多個操作系統(tǒng)

上運行。

2.高效性：OpenCV采用C++語言編寫，具有高效的計算和運行速度。

3.大量的函數(shù)庫：OpenCV提供了大量的函數(shù)庫，支持圖像處理、計算機

視覺、機器學習等多個領(lǐng)域。

4.開源免費：OpenCV是一個開源項目，可以免費下載和使用。

OpenCV的應(yīng)用非常廣泛，例如在智能交通、安防監(jiān)控、醫(yī)療影像、機器人

等領(lǐng)域都有廣泛的應(yīng)用。同時，OpenCV也是深度學習技術(shù)中的重要組成部分，

可以幫助開發(fā)者更快速實現(xiàn)深度學習模型的訓(xùn)練和推理。

總的來說，OpenCV是一個非常強大和實用的計算機視覺庫，對于開發(fā)圖像

處理和計算機視覺應(yīng)用非常有幫助。

2需求分析

2.1可行性需求分析

1.技術(shù)可行性

3

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

訓(xùn)練模型：VGG16是在大規(guī)模圖像識別任務(wù)上進行了訓(xùn)練的模型，具有非常

強的特征提取能力。這意味著我們可以利用VGG16在大規(guī)模圖像數(shù)據(jù)集上學到

的特征來進行服裝分類，而不需要從頭開始訓(xùn)練模型。

準確性：VGG16是一種非常深的卷積神經(jīng)網(wǎng)絡(luò)，具有非常高的準確性。在進

行服裝分類任務(wù)時，使用VGG16可以獲得比其他模型更高的準確度。

可遷移性：VGG16已經(jīng)在許多計算機視覺任務(wù)上進行了廣泛應(yīng)用，并且在其

他任務(wù)上表現(xiàn)良好。這意味著我們可以將VGG16模型遷移到其他任務(wù)上，而不

需要重新訓(xùn)練整個模型。

開放源代碼：VGG16是一個開源模型，可以在許多深度學習框架中使用。這

使得使用VGG16進行服裝分類變得更加容易和方便。

因此，利用VGG16卷積模型進行服裝分類可以提高準確性、節(jié)省時間和成

本，并具有可遷移性和開放源代碼等優(yōu)點。

2.項目可行性

本項目主要針對在這個時代背景下，“時尚”是大趨勢，而服裝作為時尚

元素之一，也是零售銷售的最大推動力之一。例如，在商店內(nèi)，可以利用深度

學習中的數(shù)據(jù)來收集有關(guān)消費者的著裝信息，對消費者的服裝進行分類，以提

示銷售人員該用戶是否著裝高檔得體，是否更有可能愿意在商店內(nèi)進行高消費

等的活動。

2.2數(shù)據(jù)集采集功能分析

此次項目的數(shù)據(jù)集收集了部分服裝的圖片，例如毛衣、T恤、襯衫、褲子、

短裙等，用于識別服裝信息所用。主要的數(shù)據(jù)源自于百度圖片的搜索。

該數(shù)據(jù)共包含5種類型圖片，每種類型、樣圖說明如下表所示：

（圖2-1）

服裝識別樣圖

4

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

毛衣

T恤

襯衫

褲子

短裙

圖2-1導(dǎo)入所需服裝圖片

2.3關(guān)鍵技術(shù)分析

2.3.1數(shù)據(jù)采集技術(shù)

VGG16是一種非常適合于分類與位置問題的模式，它的名字來源于牛津大學

的一個幾何小組。VGG按照其核心卷積的層數(shù)不同，可分為A,A,A,B,C6種構(gòu)型；

D、E是VGG16以及VGG19中使用的最多的兩個。

5

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

2.3.2VGG算法技術(shù)

結(jié)構(gòu)介紹圖如下：

conv3-64：是指第三層卷積后，維度變?yōu)?4，同樣地，conv3-128指的

是第三層卷積后，維度變?yōu)?28；

input（224x224RGBimage）：指的是輸入圖片大小為224244的彩色圖

像，通道為3，即224224*3；

maxpool：是指最大池化，在vgg16中，pooling采用的是2*2的最大池

化方法（如果不懂最大池化，下面有解釋）；

FC-4096:指的是全連接層中有4096個節(jié)點，相同地，F(xiàn)C-1000是該層

全連接層共有節(jié)點1000個；

padding：是指對矩陣在外邊填充n圈，padding=1即填充1圈，5X5大

小的矩陣，填充一圈之后變?yōu)?X7大?。?/p>

圖2-1VGG結(jié)構(gòu)圖

正如上圖所示，VGG16的網(wǎng)絡(luò)結(jié)構(gòu)是這樣的，VGG由5層卷積層、3層全連

接層、softmax輸出層組合而成的，層與層之間使用max-pooling（最大化池）

6

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

分隔開來，所有的激活單元都采用ReLU函數(shù)。具體的信息展示為：

通道數(shù)分別為64，128，512，512，512，4096，4096，1000。卷積層通道

數(shù)成倍數(shù)翻漲，直到512時不再增加。通道數(shù)的增多，使更多的信息被提取出

來。全連接的4096是經(jīng)驗值，可以為任意數(shù)，但不能小于最后的類別。1000表

示要分類的類別數(shù)。

用池化層作為分界，VGG16共有6個塊結(jié)構(gòu)，每個塊結(jié)構(gòu)中的通道數(shù)相同。

因為卷積層和全連接層都有權(quán)重系數(shù)，也被稱為權(quán)重層，其中卷積層13層，全

連接3層，池化層不涉及權(quán)重。所以共有13+3=16層。對于VGG16卷積神經(jīng)網(wǎng)

絡(luò)而言，其13層卷積層和5層池化層，負責進行特征的提取，最后的3層全連

接層，負責完成分類任務(wù)。

VGG采用多個三階（3×3）卷積而不是一個大的卷積一階（3×3）卷積，一

方面降低了模型中的模型參數(shù)，同時也使得模型中存在更多的非線性映射，從

而提高了模型的擬合表示能力。卷積計算：

圖2-2卷積計算圖

7

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

圖2-3VGG16簡化圖

8

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

3數(shù)據(jù)采集

3.1數(shù)據(jù)需求分析

在這個大眾所需的時代，人們對服裝的審美以及要求不斷提升，所以需

要我們利用技術(shù)手段對服裝這一類進行分析，研究如何將服裝進行分類，識別

時尚服裝標簽等操作，它可以更好地幫助商家進行管理庫存和銷售。通過對服

裝進行分類，商家可以容易地了解哪些款式和尺碼賣的最好，從而更好地預(yù)測

需求并及時補充庫存。其次，人工智能服裝分類可以提高購物體驗。當消費者

在網(wǎng)上購物時，他們可以使用過濾器來快速找到自己想要的款式、顏色和尺碼。

人工智能服裝分類也可以幫助減少退貨率。如果消費者能夠更準確地選擇適合

自己的尺碼和款式，那么就會減少因為尺碼不合適或者不符合期望而導(dǎo)致的退

貨等問題。

3.2數(shù)據(jù)集獲取分析

打開瀏覽器，找到搜索引擎并在搜索欄中進入到百度官網(wǎng)，輸入關(guān)鍵字“時

尚服裝圖片”，示例頁面如下:

圖3-1數(shù)據(jù)集展示

9

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

3.3編程實現(xiàn)

導(dǎo)入依賴包文件，在PyCharm中terminal中下載所需庫，并導(dǎo)入數(shù)據(jù)。如

下圖所示：

圖3-2導(dǎo)入所需庫及數(shù)據(jù)

4數(shù)據(jù)集處理

指發(fā)現(xiàn)不恰當?shù)臄?shù)據(jù)集，并改正數(shù)據(jù)中可能識別錯誤的圖片，還包括檢查

數(shù)據(jù)一致性。

數(shù)據(jù)清洗：檢查數(shù)據(jù)集中是否存在缺失值、重復(fù)值和異常值等問題，如果

有需要進行清洗。

圖4-1數(shù)據(jù)集處理

10

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

圖4-2數(shù)據(jù)集處理

4.1數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理：對原始數(shù)據(jù)進行格式轉(zhuǎn)換、歸一化、標準化等操作，以便更

好地進行模型訓(xùn)練。

歸一化（將圖像矩陣轉(zhuǎn)化到0-1之間，為了保證精度，經(jīng)過了運算的圖像

矩陣I其數(shù)據(jù)類型會從unit8型變成double型。圖像時對double型是認為在

0-1范圍內(nèi)，uint8型時是0-255范圍）

數(shù)據(jù)歸一化是指將不同范圍的數(shù)據(jù)映射到相同的范圍內(nèi)，以便更好地進行

比較和分析。在機器學習中，對數(shù)據(jù)進行歸一化可以提高模型的訓(xùn)練速度和準

確率。常見的數(shù)據(jù)歸一化方法有：

1.最大最小值歸一化：將數(shù)據(jù)縮放到[0,1]的范圍內(nèi)，公式為：

(x-min)/(max-min)

2.z-score歸一化：將數(shù)據(jù)縮放到均值為0，標準差為1的范圍內(nèi)，公式為：

(x-mean)/std

3.小數(shù)定標法：將數(shù)據(jù)除以某個基數(shù)的冪次方，使得數(shù)據(jù)的絕對值小于1，

公式為：x/(10^k)。

數(shù)據(jù)歸一化可以避免特征之間的量綱不同導(dǎo)致的影響，例如一個特征的值

范圍很大，而另一個特征的值范圍很小，這樣會導(dǎo)致后者在模型中的貢獻被忽

略。通過數(shù)據(jù)歸一化，可以使得不同特征對模型的貢獻更加平等，提高模型的

準確率和穩(wěn)定性。

圖4-3數(shù)據(jù)預(yù)處理

11

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

圖4-4數(shù)據(jù)預(yù)處理（部分圖片截圖）

4.2切分訓(xùn)練集和測試集

為了更好的使得模型訓(xùn)練，我們需要將獲取的數(shù)據(jù)集進行切分成訓(xùn)練集與

測試集。

訓(xùn)練集：訓(xùn)練集是機器學習模型用于訓(xùn)練和學習的數(shù)據(jù)集。通常情況下，

訓(xùn)練集是原始數(shù)據(jù)集的一部分，用于訓(xùn)練模型的參數(shù)，模型通過訓(xùn)練集來學習

12

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

數(shù)據(jù)的特征，并產(chǎn)生一個模型，以便在預(yù)測中使用。在機器學習中，訓(xùn)練集的

大小和質(zhì)量會直接影響模型的性能和準確率。因此，選擇合適的訓(xùn)練集非常重

要。訓(xùn)練集通常需要滿足以下要求：

1.與實際應(yīng)用場景相符合：訓(xùn)練集的數(shù)據(jù)應(yīng)該與模型將要用于的實際應(yīng)用

場景有所關(guān)聯(lián)，這樣會使得訓(xùn)練出來的模型更符合實際需求。

2.包含充足的樣本：訓(xùn)練集中應(yīng)該包含足夠多的樣本，以覆蓋模型應(yīng)該考

慮的各種情況，防止模型出現(xiàn)過擬合的現(xiàn)象。

3.避免冗余數(shù)據(jù)：訓(xùn)練集中不應(yīng)該包含過多的冗余數(shù)據(jù)，這樣會對模型產(chǎn)

生負面影響，使得模型過于復(fù)雜，同時也會降低訓(xùn)練速度。

4.數(shù)據(jù)質(zhì)量高：訓(xùn)練集中的數(shù)據(jù)質(zhì)量應(yīng)該要高，包括數(shù)據(jù)的準確性、完整

性、一致性等方面，這樣可以保證模型訓(xùn)練出來的結(jié)果更加準確。

測試集：測試集是用于評估模型最終性能的數(shù)據(jù)集。它通常是從原始數(shù)據(jù)

集中劃分出來的，與訓(xùn)練集和驗證集互不重疊。常見的劃分方式包括：

1.簡單隨機劃分：將原始數(shù)據(jù)集隨機分成訓(xùn)練集、驗證集和測試集三部分。

但是這種方法可能會導(dǎo)致測試集中的樣本較少，或者某些類別樣本在測試集中

沒有覆蓋到。

2.分層隨機劃分：先按類別將數(shù)據(jù)集分組，然后在每個類別中按一定比例

取出一部分樣本作為測試集，其余樣本作為訓(xùn)練集和驗證集。這種方法的優(yōu)點

是能夠保證測試集中每個類別的樣本數(shù)都足夠且較為均衡。

3.時間序列劃分：對于時間序列數(shù)據(jù)，可以按照時間順序?qū)?shù)據(jù)集分成訓(xùn)

練集、驗證集和測試集。通常是將最近一段時間的數(shù)據(jù)用作測試集，以檢驗?zāi)?/p>

型在未來數(shù)據(jù)上的表現(xiàn)。

圖4-5文件夾展示圖

13

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

5模型構(gòu)建及評估分析

5.1模型構(gòu)建

5.1.1模型網(wǎng)絡(luò)結(jié)構(gòu)

圖5-1模型結(jié)構(gòu)

5.1.2創(chuàng)建模型

如下圖所示：

14

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

圖5-2建立模型

5.2模型編譯

模型編譯是指將機器學習模型的源代碼轉(zhuǎn)換為可在目標硬件上運行的二進

制文件的過程。這個過程通常包括模型優(yōu)化、代碼生成和鏈接等步驟。模型編

譯可以幫助機器學習工程師將模型部署到嵌入式設(shè)備、移動設(shè)備或云服務(wù)器等

各種硬件平臺上，并實現(xiàn)高效的推理性能。常見的模型編譯器包括

TensorFlowLite、ONNXRuntime和TVM等。

15

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

圖5-3模型編譯

5.2.1優(yōu)化器設(shè)置

人工智能模型優(yōu)化器是一種用于優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的算法。它可以根據(jù)訓(xùn)

練數(shù)據(jù)進行模型參數(shù)的調(diào)整，以提高模型的準確性和性能。常見的優(yōu)化器包括

梯度下降、隨機梯度下降、Adam、Adagrad等。這些優(yōu)化器的不同之處在于它們

使用的更新規(guī)則和學習率的變化方式。選擇合適的優(yōu)化器有助于加速模型的訓(xùn)

練，提高模型的準確率和泛化能力。

5.3模型訓(xùn)練

5.3.1模型訓(xùn)練設(shè)置

圖5-5運行代碼(部分截圖)

fit函數(shù)自行查閱，這里只返回loss和-accuracy。代碼如圖5-5所示。

5.3.2繪制模型曲線

圖5-6繪制曲線

16

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

5.4模型部署

5.4.1系統(tǒng)前端設(shè)計

由于在PyCharm運行中的可視化效果沒有很好的展示出來，因此，也可以

采用Tensorflow自帶的Tensorboard或者matplotlib庫來一一展示圖片，為

了可以更好的展示數(shù)據(jù)，并且讓數(shù)據(jù)得到可觀的體現(xiàn)。

圖5-7系統(tǒng)前端設(shè)計代碼（部分截圖）

5.4.2系統(tǒng)后端部署

圖5-8后端部署代碼(部分)

將讀入的數(shù)據(jù)（服裝圖片）進行一系列的操作，其中包括圖片的名稱、識

17

湖南商務(wù)職業(yè)技術(shù)學院畢業(yè)設(shè)計

別的時間、服裝顏色與類別。分別為：

圖片名稱：需要識別的圖片，也就是我們導(dǎo)入的數(shù)據(jù)集服裝圖片。

識別時間：程序調(diào)用API接口并識別圖片的具體時間。

服裝顏色：識別出來的服裝顏色，通常有紅色、黃色、藍色、綠色、

橙色、紫色等，并將識別出來的服裝顏色作為窗口背景顏色。

服裝類別：是指的服裝類別，一般情況分為毛衣、T恤、襯衫、褲

子、短裙等。

將服裝分類好并放置到界面指定的位置，這其中涉及到圖像分割的操作。

代碼如圖5-8（部分）。代碼截圖過長，因此選取有針對性的代碼塊。

5.4.3設(shè)計效果展示及分析

展示效果如下圖所示：