TensorFlow花卉识别系统：CNN图像分类实战指南

简介：一套面向深度学习与毕业设计场景的花卉识别系统完整项目，围绕郁金香、玫瑰、蒲公英、向日葵四种花卉，提供可直接运行的卷积神经网络实现，适合高校学生用于课程设计、毕业设计以及科研项目初期的原型搭建与思路验证。压缩包内共有两千个文件，主体为近两千张花卉图片数据集，另包含若干源码文件、说明文档、交互页面和辅助脚本，压缩包整体约二百八十兆字节，目录结构按功能划分，便于快速定位与后续维护。目前已有七十二人学习，代码经多环境严格测试，运行稳定，配套演示视频完整展示模型训练与预测流程，设计文档则涵盖环境配置、核心逻辑和常见问题排查，能帮助初学者减少踩坑成本。具备一定技术基础的读者还可自行修改模型结构或增加花卉类别，从而扩展到其他图像分类任务，是一份兼顾教学、答辩与项目实践的可复用资源。

1. 一张图片四分类，TensorFlow 花卉识别系统到底在解决什么

输入一张郁金香、玫瑰、蒲公英或向日葵的图片，让程序告诉你它属于哪一类，这就是 TensorFlow 花卉识别系统要做的事。它常被当作 CNN 实战的第一道练手项目，因为任务规模刚好：数据集不需要上百万张，模型用几十行 Keras 代码就能搭起来，却能完整覆盖数据加载、数据增强、卷积网络构建、训练调参、模型评估与推理导出这条链路。

网上流传的“源码+数据集+演示视频”包里，源码质量参差不齐，有的停在 TensorFlow 1.x，用着tf.contrib旧接口，解压后第一关就把人卡住。与其到处找包，不如从零把同一套实现重新走一遍。本文不假设你手上有任何现成代码，只要求有一批可分类的花图片。文章会讲清楚目录结构怎么设计、CNN 结构图怎么画、训练要盯哪些参数，以及最后如何用一条命令完成单图预测。正在做课程设计，或者刚学完卷积原理想动手的读者，跟着这条路走完就能得到一个可演示的四分类系统。

2. 数据先行：TensorFlow 花卉识别系统的数据集整理与增强

2.1 从散图到标准目录结构

训练开始前的第一件事不是写模型，而是整理目录。TensorFlow 里两个常用的图片加载接口image_dataset_from_directory和flow_from_directory遵守同一个约定：把图片按标签分文件夹，文件夹名就是类别名。对四分类花卉任务，目录结构通常长这样：

data/ train/ tulip/ rose/ dandelion/ sunflower/ validation/ tulip/ rose/ dandelion/ sunflower/ test/ tulip/ rose/ dandelion/ sunflower/

训练集、验证集、测试集各自独立。训练集用于更新权重，验证集用于观察是否过拟合、决定何时保存模型，测试集只在最终评估时用一次。很多人图省事不建测试集，拿验证集当测试集反复调参，最后报出来的精度水分很大。验证集被“看上”的次数越多，它对真实泛化能力的代表性就越差。

如果下载的数据集是四类混在一个目录里，先写脚本按 8:1:1 切分。切分之前一定要先洗牌，因为很多数据集按采集时间排列，前一半是晴天中午拍的，后一半是阴天拍的，不洗牌会让人为地把训练集和验证集分布拉开。

import os import random import shutil classes = ['tulip', 'rose', 'dandelion', 'sunflower'] for cls in classes: src = os.path.join('origin', cls) files = [f for f in os.listdir(src) if f.lower().endswith(('.jpg', '.jpeg', '.png'))] random.shuffle(files) n = len(files) for i, f in enumerate(files): if i < int(n * 0.8): phase = 'train' elif i < int(n * 0.9): phase = 'validation' else: phase = 'test' dst = os.path.join('data', phase, cls, f) shutil.copy(os.path.join(src, f), dst)

脚本按int(n * 0.8)和int(n * 0.9)两个边界切分，保证四个类在三个阶段的比例一致。这里用copy而不是move，原始数据留着更安全；如果磁盘紧张，换成shutil.move也可以。class_indices这个属性会在flow_from_directory执行后自动生成，顺序按文件夹名的字母序排列，例如dandelion是 0，rose是 1，这个顺序在后面的预测阶段必须对齐。

新版 Keras 官方更推荐image_dataset_from_directory，但ImageDataGenerator在绝大多数课程源码里还在用，目录约定完全相同，迁移成本很低。

2.2 数据增强组合与关键参数

四类花各几百张图，对 CNN 来说数据量偏小。一个简单卷积神经网络也有几十万个参数，训练集不够时模型很容易把背景、拍摄角度、光线这些不相关因素一起记住，最终表现是训练准确率接近 100%，验证准确率卡在 60%。缓解过拟合最有效的办法是数据增强：在训练过程中对图片随机做旋转、平移、缩放、翻转，让模型每个 epoch 看到的都是同一张花的不同形态。

from tensorflow.keras.preprocessing.image import ImageDataGenerator train_gen = ImageDataGenerator( rescale=1.0 / 255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.15, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest', ) train_flow = train_gen.flow_from_directory( 'data/train', target_size=(224, 224), batch_size=32, class_mode='categorical', shuffle=True, )

rescale把 0 到 255 的像素值压缩到 0 到 1，几乎任何模型都要做这一步，否则数值范围过大会让梯度更新不稳定。rotation_range控制随机旋转角度，对花这类方向不敏感的目标，20 度以内的旋转既模拟了拍摄角度变化，又不会把花旋转到语义上反常识的状态。width_shift_range和height_shift_range让花朵在画面里“跑动”，模拟目标不在画面正中央的情况。zoom_range模拟远近不一的拍摄距离。horizontal_flip对花特别安全，因为左右翻转不会改变花的类别。

关键参数汇总如下：

验证集和测试集的生成器只写rescale，不加任何随机变换。验证集的作用是评估模型在真实分布上的表现，如果把增强也加进去，每次验证时输入都不同，得到的高高低低的验证准确率就不是一个可比较的稳定指标。

2.3 验证集单独留好，再用小脚本查一遍坏图

训练前确认一下每个类别在各个目录里的图片数量。如果郁金香只有 200 张，玫瑰有 700 张，训练会不自觉偏向多数类。缓解办法有两个：多数类保持原样，少数类用更强的增强；或者在训练时给少数类更高的class_weight。还有一个被忽略的坑是损坏图片，某些 zip 包里的 jpg 文件是零字节的，或者文件头损坏，flow_from_directory读取时要么抛异常，要么直接跳过，等你发现时训练已经跑偏了。

from PIL import Image import os bad = [] for root, dirs, files in os.walk('data/train'): for f in files: path = os.path.join(root, f) try: img = Image.open(path) img.load() except Exception: bad.append(path) print('损坏图片:', bad)

脚本遍历训练目录下所有文件，Image.open负责读取文件头，load()里真正解码像素数据。能通过这两步的文件基本可以安全交给 TensorFlow 处理。如果bad列表不为空，用os.remove清掉这些文件再开始训练。

3. 用 CNN 卷积神经网络搭模型：结构图与 Keras 实现

3.1 先画一张 CNN 结构图，把卷积和池化的关系理清

搭模型之前先在纸上画结构图。输入是一张 224x224x3 的彩色图片，经过若干组“卷积、批归一化、池化”的组合，特征图的宽高不断缩小，通道数不断加深。粗略流程是：224x224x3 经过第一组卷积变成 224x224x32，池化后变成 112x112x32；第二组卷积后变成 112x112x64，池化后 56x56x64；第三组再变成 56x56x128，池化后 28x28x128。最后接全局平均池化，把所有特征图压成一个一维向量，经过两层全连接，输出 4 个概率。

这种结构是经典的 VGG 风格叠法，没有残差连接，也没有深度可分离卷积，但对四分类花卉任务完全够用，而且能让原理说得清楚。第一层卷积只能看到 3x3 范围内的局部像素，学到的是边缘、色块、方向这类底层纹理；郁金香的杯状轮廓、玫瑰的层叠卷曲、向日葵中央的管状花盘、蒲公英的放射状细丝，这些差异在浅层表现为边缘方向和颜色组合的不同。越到深层，感受野越大，卷积层才能把局部纹理组合成“花瓣”“花盘”这类语义部件。

有个常见的误区是模型越深越好。数据只有几百张时，加深网络带来的收益远小于过拟合带来的损失。四分类小任务里，三组卷积已经足够，重点是控制参数量，而不是堆层数。

3.2 用 TensorFlow Keras 写出可训练的花卉分类模型

结构图定下来之后，Keras 代码非常短。下面这段模型直接定义了完整的 CNN 卷积神经网络：

import tensorflow as tf from tensorflow.keras import layers, models model = models.Sequential([ layers.Input(shape=(224, 224, 3)), layers.Conv2D(32, (3, 3), activation='relu', padding='same'), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu', padding='same'), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), layers.Conv2D(128, (3, 3), activation='relu', padding='same'), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), layers.GlobalAveragePooling2D(), layers.Dense(128, activation='relu'), layers.Dropout(0.5), layers.Dense(4, activation='softmax') ]) model.summary()

Conv2D((3, 3))是 3x3 卷积核，padding='same'让卷积输出保持和输入一样的宽高。每经过一次MaxPooling2D((2, 2))，特征图宽高各自减半。BatchNormalization放在卷积层输出后面，让每层输出分布更稳定，收敛速度明显加快。GlobalAveragePooling2D把每张特征图取全局平均值，替代先展平再连全连接层的旧方案，参数更少，还自带一点正则效果。Dropout(0.5)在训练时随机丢弃一半神经元，等价于同时训练多个子网络再取平均，是控制过拟合最直接的手段。

Dense(4, activation='softmax')输出 4 个值，对应 dandelion、rose、sunflower、tulip 四个类别的概率。用model.summary()可以确认每层输出尺寸是不是符合预期：28x28x128 的特征图经过全局平均池化后变成 128 维向量。这个模型总参数量大约 84 万，对 CPU 训练来说也能在十几分钟内完成一轮像样的验证。

如果想进一步提高精度，更快的路线是把主干换成 ImageNet 预训练的 MobileNetV2，冻结其卷积基座，只训练新增的分类头。这种做法是迁移学习的标准套路，但建议先把这个自定义 CNN 跑通，因为冻结层数、Batch Normalization 的参数行为、输入归一化方式都会影响迁移效果。自定义模型能稳定过 90% 再换骨干，问题排查起来会简单得多。

3.3 郁金香和玫瑰为什么容易互相误判

训练结束之后，算一次混淆矩阵，大概率看到郁金香和玫瑰互相误判。原因是两类花的颜色高度重叠，红色玫瑰和红色郁金香在花瓣纹理不明显的情况下，模型很容易被颜色主导。蒲公英和向日葵也容易出现类似问题，因为它们都是黄色放射状花盘结构。模型在这种情况下学的不是“花的形状”，而是“颜色加中心区域形态”。

这时候首先检查的是数据本身，而不是模型结构。如果训练图大多是单朵花特写、绿色背景、正常光照，模型会倾向于把背景也学进特征里。把rotation_range从 20 提到 30，把zoom_range从 0.2 提到 0.3，一般能明显降低这类误判。颜色分布接近的类别，需要在增强里加入轻微的颜色扰动，例如用brightness_range调整亮度，让模型不再依赖某一特定色调。

4. 训练与调参：让模型稳定收敛的完整配置

4.1 编译参数与优化器选择

模型结构只决定表达能力，能不能稳定收敛靠的是编译参数和训练策略。四分类任务使用categorical_crossentropy作为损失函数，配合 softmax 输出。优化器选择 Adam，对学习率不那么敏感，适合作为小项目的第一选择。关键是学习率的初始值：1e-3对这个小模型来说偏大，loss 会在前几个 epoch 震荡；1e-5又收敛太慢，四类花任务通常从1e-4起步最合适。

model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4), loss='categorical_crossentropy', metrics=['accuracy'], )

metrics里先只放accuracy。精确率、召回率这类指标等训练完在测试集上统一计算就好，没必要在训练循环里每个 epoch 都算，耗时且对判断收敛帮助有限。

训练环境方面，TensorFlow 2 搭配 Python 3.9 到 3.11 比较稳妥。常见做法是先建一个独立环境，避免把系统 Python 搞乱：

conda create -n tf-flower python=3.9 -y conda activate tf-flower pip install tensorflow

GPU 版本需要注意 CUDA 和 cuDNN 的版本匹配，TensorFlow 2.10 之后在 Windows 上不再提供官方 GPU 支持，Linux 下用conda install cudatoolkit cudnn对齐比较省心。数据集只有几百张、模型只有几十万参数时，CPU 跑完全没问题，GPU 只是把每轮 epoch 耗时从几分钟压缩到几十秒。

4.2 回调函数与训练代码

小数据集训练最怕两个问题：不知道该跑多少个 epoch，以及最佳模型被后续过拟合的权重覆盖。回调函数就是为这两个问题设计的。

callbacks = [ tf.keras.callbacks.EarlyStopping( monitor='val_loss', patience=10, restore_best_weights=True, ), tf.keras.callbacks.ModelCheckpoint( 'flower_cnn.keras', monitor='val_accuracy', save_best_only=True, verbose=1, ), tf.keras.callbacks.ReduceLROnPlateau( monitor='val_loss', factor=0.5, patience=5, min_lr=1e-6, ), ] history = model.fit( train_flow, steps_per_epoch=train_flow.samples // train_flow.batch_size, epochs=100, validation_data=valid_flow, validation_steps=valid_flow.samples // valid_flow.batch_size, callbacks=callbacks, )

EarlyStopping监控val_loss，连续 10 个 epoch 不下降就停止训练，并把权重回滚到验证集最优时刻。ModelCheckpoint保存最佳模型，save_best_only=True保证磁盘上始终是验证集上最好的版本。ReduceLROnPlateau在 loss 停滞时把学习率减半，让训练从“大步搜索”切换到“精细收敛”。

steps_per_epoch用整数除法计算，避免最后一个不完整 batch 带来的训练步数不均匀。模型文件用.keras后缀保存，这是 TensorFlow 2 新格式，包含模型结构和权重，加载时不需要再单独写结构代码。history对象里保存了每个 epoch 的 loss 和 accuracy，之后画训练曲线、判断过拟合都靠它。

4.3 训练常见坑和调试手段

第一类坑是内存不足。batch_size从 32 调到 16 或 8 是第一反应，其次是检查target_size是否被设置得过大。224x224 和 512x512 的内存占用相差数倍，而四分类花卉任务在 224 尺寸下已经足够。

第二类是类别不均衡。某个类别图片特别少时，在fit里传入class_weight：

class_weight = { 0: 1.2, 1: 1.0, 2: 1.2, 3: 1.0, }

这里的键对应class_indices里的顺序。数字越大，该类样本在损失函数里的权重越高，模型会更多地“关注”样本少的那一类。

第三类是验证准确率一直不涨。先看训练准确率高不高：如果训练准确率远高于验证准确率，是过拟合，优先加大 Dropout、缩小 Dense 层宽度、增强数据；如果训练和验证准确率都低，是欠拟合，需要增加卷积层通道数或把学习率调小后再跑。另外建议优先观察val_loss而不是val_accuracy，四分类任务下准确率经常连续几个 epoch 卡在同一个整数百分比上，看着像没收敛，实际上val_loss还在小幅下降。

5. 单图预测与模型导出：识别系统的最后一步

5.1 写一个输入图片路径就返回类别名的脚本

训练得到的.keras文件还差最后一公里：一个能直接调用的预测入口。下面的脚本加载模型，处理一张图片，返回预测类别、置信度和完整概率向量。注意class_names的顺序必须和训练时flow_from_directory生成的一致，否则输出名会和概率对不上。

from tensorflow.keras.models import load_model from PIL import Image import numpy as np class_names = ['dandelion', 'rose', 'sunflower', 'tulip'] model = load_model('flower_cnn.keras') def predict_image(img_path): img = Image.open(img_path).convert('RGB').resize((224, 224)) x = np.asarray(img, dtype=np.float32) / 255.0 x = np.expand_dims(x, axis=0) probs = model.predict(x, verbose=0)[0] idx = int(np.argmax(probs)) return class_names[idx], float(probs[idx]), probs

resize((224, 224))必须和训练时的target_size完全一致，否则输入维度不匹配。convert('RGB')统一把 RGBA 或灰度图转成三通道，避免单通道图在预测时报 shape 错误。np.expand_dims给单张图增加一个 batch 维度，因为模型接收的输入形状是(batch_size, 224, 224, 3)。模型加载放在函数外面，避免每张图都重复加载一次。

5.2 顺手导出 TensorFlow Lite 模型

如果识别系统要放到手机或嵌入式设备上，可以顺手用TFLiteConverter导出轻量模型：

converter = tf.lite.TFLiteConverter.from_keras_model(model) tflite_model = converter.convert() with open('flower_model.tflite', 'wb') as f: f.write(tflite_model)

导出后的模型可以用官方 C++ 或 Java API 在移动端调用。转换本身不会改变模型参数量，体积也不会自动变小；真正缩小体积的手段是训练后量化，例如把权重从 float32 降到 float16，这需要在转换时设置优化选项。量化后的精度会有一点损失，对四分类的花卉识别任务来说通常不明显，但要在测试集上重新验证一遍才能放心。

本文还有配套的精品资源，点击获取