🐱🐶 基于CNN的猫狗图像分类系统

一个使用卷积神经网络(CNN)实现的猫狗图像分类系统，在测试集上达到**85.76%**的准确率。

📊 项目成果

指标	结果
测试准确率	85.76%
猫识别准确率	86.75%
狗识别准确率	84.78%
模型参数量	3.6M (轻量级)
训练样本数	8,005张
测试样本数	2,023张

🚀 快速开始

环境要求

• Python 3.8+
• PyTorch 2.0+
• CUDA (可选，用于GPU加速)

安装依赖

pip install -r requirements.txt

数据准备

将猫狗图像按以下结构组织：

data/
├── train/
│   ├── cats/
│   └── dogs/
├── val/
│   ├── cats/
│   └── dogs/
└── test/
    ├── cats/
    └── dogs/

模型训练

python train_light.py

模型评估

python evaluate_light.py

单张图片预测

python predict.py path/to/your/image.jpg

🏗 项目结构

cat_dog_cnn/
├── data/                    # 数据目录
├── models/                  # 训练好的模型
│   └── light_best_model.pth
├── utils/                   # 工具包
├── train_light.py           # 轻量模型训练
├── evaluate_light.py        # 模型评估
├── predict.py               # 单张图片预测
├── light_model.py           # 轻量CNN模型
├── model.py                 # 完整CNN模型
├── utils_english.py         # 英文可视化工具
├── requirements.txt         # 依赖列表
└── README.md               # 项目说明

🛠 技术细节

模型架构

• 输入尺寸: 224×224×3
• 卷积层: 4个卷积块，包含BatchNorm和Dropout
• 池化层: 自适应平均池化
• 全连接层: 2层MLP
• 输出: 2分类 (猫/狗)

训练配置

• 损失函数: CrossEntropyLoss
• 优化器: Adam (lr=0.001)
• 数据增强: 随机翻转、旋转、色彩调整
• 早停策略: 验证集准确率连续7轮不提升

超参数

{
    'batch_size': 32,
    'learning_rate': 0.001,
    'epochs': 30,
    'patience': 7,
    'weight_decay': 1e-4
}

📈 性能评估

分类报告

              precision    recall  f1-score   support

        cats     0.8506    0.8675    0.8590      1011
        dogs     0.8649    0.8478    0.8563      1012

    accuracy                         0.8576      2023
   macro avg     0.8578    0.8576    0.8576      2023
weighted avg     0.8578    0.8576    0.8576      2023

训练曲线

混淆矩阵

🎯 主要特性

• ✅ 轻量模型: 仅3.6M参数，训练和推理速度快
• ✅ 高准确率: 85.76%的测试准确率
• ✅ 类别平衡: 猫狗识别率相近，无偏向性
• ✅ 完整流程: 数据准备→训练→评估→可视化
• ✅ 易于使用: 简单的命令行接口

🤝 贡献

欢迎提交Issue和Pull Request来改进这个项目！

📄 许可证

本项目采用MIT许可证 - 查看 LICENSE 文件了解详情。

🙏 致谢

• 感谢PyTorch团队提供的深度学习框架
• 感谢Kaggle提供的猫狗数据集