基于PyTorch迁移学习的花卉图像多分类系统-PyTorch

项目描述 基于 PyTorch 迁移学习的花卉图像多分类系统
基于 PyTorch 迁移学习的花卉图像多分类项目。以预训练 ResNet18 为骨干，冻结前部卷积层、仅微调 layer4 与全连接层，在 Oxford Flowers17 数据集（17 类、1360 张）上完成训练，并配套桌面识别应用与模型可解释性可视化。

项目功能
数据集自动下载、按 6:2:2 划分与数据增强；迁移学习训练与验证（差异化学习率、学习率调度、Dropout 防过拟合）；测试集整体与逐类别准确率评估；Grad-CAM 注意力热力图可视化；训练过程与性能分析图表（损失/准确率曲线、混淆矩阵、t-SNE 特征分布等）。桌面识别应用（PyQt5）支持选图与拖拽导入、Top-3 预测、模型输入预处理预览、识别历史记录及历史 CSV 导出与清空。

运行环境
Windows，Python 3.13，PyTorch 2.13（CPU 版，可选装 CUDA 版启用 GPU 加速）；依赖 torchvision、PyQt5、Pillow、numpy、matplotlib、seaborn、scikit-learn、pandas、tqdm、opencv-python，通过 pip install -r requirements.txt 安装。

项目技术
深度学习与迁移学习（ResNet18 微调）；PyTorch / torchvision 建模与训练；Grad-CAM 可解释性；scikit-learn / matplotlib / seaborn 数据与结果可视化；PyQt5 桌面 GUI。

以上系统源码经过技术整理与调试，确保能正常运行