本实验基于37种主流的图像分类算法模型，对64种花卉进行识别。使用包括vgg、resnet、densenet、efficientnet、inception、mobilenet等37种图像分类模型进行实验，评估各种模型对花卉的识别准确度、计算量、参数量，对比不同模型的性能和优缺点。

1、数据集

        数据集包含的花卉种类一共有64种，共32000张尺度为224x224的彩色图像，其中训练集为25600张，测试集为6400张。如下图所示，为64种花卉的示例图，包含的花卉种类名称为：诸葛菜、鬼针草、油菜花、蒲公英、三角梅、三叶草、两色金鸡菊、婆婆纳、石龙芮、滨菊、剑叶金鸡菊、一年蓬、蓝蓟、绣球小冠花、全叶马兰、全缘金光菊、狗尾草、马鞭草、曼陀罗、千屈菜、旋覆花、狼尾草、射干、桔梗、蒲苇、秋英、粉黛乱子草、黄金菊、芒草、石竹、棣棠、红花酢浆草、长柔毛野豌豆、小苜蓿、草甸鼠尾草、蓝花鼠尾草、玫瑰、大花耧斗菜、北香花介、美丽芍药
、美丽月见草、小果蔷薇、高羊茅、线叶蓟、蛇莓、泽珍珠菜、小蜡、粉花绣线菊、天人菊、石榴、锦带花、山桃草、南天竹、细齿草木樨、矢车菊、紫菀、兔儿尾苗、松果菊、华水苏、三肋果、锦葵、水葱、堪察加费菜、夹竹桃。数据集+训练源码下载地址

2、结果分析

        一共测试了37种主流的图像分类模型，模型的参数和性能如下表所示。模型训练架构为pytorch架构，一共集成了37种模型，可以根据模型名称选择指定的模型，源码+数据集已经打包，点击这里下载。

各模型在花卉识别任务上的性能

模型	计算量[G]	参数量[M]	Top1 准确度
alexnet	2.5272	17.7085	0.9413
densenet_121	7.2888	6.9460	0.9820
densenet_169	8.7874	12.4468	0.9830
densenet_201	11.4791	18.0038	0.9823
densenet_264	15.7301	30.4447	0.9844
efficientnet_b0	1.1330	7.2038	0.9650
efficientnet_b1	1.6814	12.1062	0.9683
efficientnet_b2	1.9493	14.3259	0.9594
efficientnet_b3	2.8565	20.0478	0.9686
efficientnet_b4	4.4744	33.1864	0.9553
efficientnet_b5	7.0376	54.1427	0.9566
efficientnet_b6	9.8001	76.6058	0.9594
efficientnet_b7	15.5002	123.2917	0.9478
inception_resnet_v1	10.6189	21.8683	0.9672
inception_resnet_v2	15.9665	31.9694	0.9683
inception_v1	3.6633	6.0392	0.9780
inception_v2	3.8100	7.8637	0.9789
inception_v3	8.8643	21.8995	0.9791
inception_v4	19.6164	41.3695	0.9766
lenet	1.0318	78.4591	0.7633
mnist	56.2191	214.4706	0.9195
mobilenet_v1	1.6834	3.2616	0.9702
mobilenet_v2	0.9391	2.8031	0.9617
resnet_18	3.8790	11.2087	0.9770
resnet_34	7.7857	21.3132	0.9764
resnet_50	10.2410	23.5747	0.9700
resnet_101	19.6393	42.5407	0.9706
resnet_152	29.0395	58.1613	0.9717
squeezenet_v1	1.7934	0.7683	0.9736
squeezenet_v2	1.7944	0.7683	0.9766
squeezenet_v3	19.0263	9.9594	0.9825
tsl_16	24.9182	116.9690	0.9500
vgg_11	16.1756	129.0285	0.9422
vgg_13	23.9902	129.2131	0.9311
vgg_16	32.7775	134.5228	0.9286
vgg_19	41.5648	139.8324	0.8912
zfnet	2.8317	72.1543	0.9453

       特别说明，以上表格中，计算量是指浮点操作的次数，单位是GFlops，参数量是指可训练的参数数目，单位是M。

        64种花卉识别，经过测试37种主流的图像分类模型，从识别准确度上来看，densenet系列、inception系列、mobilenet系列、resnet系列、squeezenet系列均表现不错。考虑到计算量和参数量直接影响模型在边缘端的部署性能，因此需要在准确度和推理速度之间权衡，综合考虑下，densenet_121、incepton_v1、inception_v2、mobilenet_v1、mobilenet_v2、resnet_18、squeezenet_v1、squeezenet_v2等模型在计算量较小的情况下，仍能保持较高的准确率，是边缘端部署的优先选择。