# project6_lazypredict

**Repository Path**: wn_adress/project6_lazypredict

## Basic Information

- **Project Name**: project6_lazypredict
- **Description**: 基于project5
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-11-12
- **Last Updated**: 2024-11-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 猫狗识别项目文档

## 项目概述
本项目旨在使用集成学习方法构建一个猫狗图像分类器。项目主要包含三个文件：`train.py`、`utils.py` 和 `web.py`。每个文件的主要内容和作用如下：

## 效果图
![猫狗识别效果图](Snipaste_2024-11-12_16-06-04.png)


## 文件结构

### 1. `train.py`

#### 1. 数据加载和预处理
- **图像数据加载**：从指定文件夹加载图像数据。
- **数据打乱**：为了消除数据顺序可能带来的偏差，对数据进行随机打乱。
- **数据标准化**：将图像数据转换为浮点数格式，并对其进行标准化处理，以便模型能够更高效地学习。

#### 2. 数据集划分
- **训练集和测试集划分**：使用 `train_test_split` 方法将数据集划分为训练集和测试集，比例为 80% 训练集和 20% 测试集。

#### 3. 模型选择与评估
- **自动模型选择**：使用 `LazyClassifier` 自动选择和评估多种分类器。
- **性能评估**：输出模型评估结果的格式化表格，包括准确率、召回率、F1分数等。
- **最佳模型选择**：根据 F1 分数选择表现最佳的模型。

#### 4. 模型预测
- **最佳模型预测**：使用选定的最佳模型对测试集进行预测，并输出预测结果。

#### 5. 模型保存
- **模型持久化**：将训练好的最佳模型保存到文件中，以便后续使用或部署。

### 2. `utils.py`
该文件提供数据处理和特征提取的辅助功能。主要内容包括：
- 获取文件大小的功能。
- 从图像文件夹中读取图像并生成特征和标签的函数。
- 格式化输出数据为表格形式的功能。

### 3. `web.py`
该文件使用 Gradio 库创建一个Web界面，允许用户上传图像并进行预测。主要功能包括：
- 对上传的图像进行预处理。
- 使用训练好的模型对处理后的图像进行分类预测。
- 提供用户友好的Web界面，展示预测结果。

## 使用说明
1. 确保安装所需的库。
2. 准备猫狗图像数据。
3. 运行 `train.py` 进行模型训练。
4. 运行 `web.py` 启动Web界面进行图像预测。

## 结论
本项目展示了如何使用集成学习方法进行图像分类，并通过Web界面提供用户友好的交互方式。可以根据需要进一步扩展和优化模型及其性能。

## 作者信息
- **学号**: [202252320417]
- **年级**: [2022]
- **班级**: [四班]