🦅 鹰眼AI

像鹰一样锐利，如AI般智能

一款革命性的计算机视觉系统，采用尖端人工智能技术，将图像分析提升至新高度。基于谷歌高效轻量级 MobileNetV2 架构，实现快速精准的视觉智能化。

🌟 项目亮点

鹰眼AI是新一代智能视觉平台，融合深度学习与迁移学习技术，打造高性能视觉分析引擎。系统继承 MobileNetV2 预训练模型的优秀特性，实现快速部署、高效推理、精准识别的完美统一。

💫 核心优势

• 🎯 智能图像分类 - 95%+ 的分类准确率
• 🚀 高性能API服务 - 毫秒级响应速度
• 🤖 自动化模型训练 - 一键启动迭代优化
• ⚡️ 实时预测能力 - 支持流式数据处理
• 📥 智能数据采集 - 自动构建训练数据集

🛠 技术栈

• 🧠 TensorFlow 2.x - 强大的深度学习引擎
• ⚡️ FastAPI - 高性能异步Web框架
• 📱 MobileNetV2 - 轻量级神经网络架构
• 🐍 Python 3.6+ - 稳定可靠的开发语言

项目结构

YiShouAI/
├── src/                  # 源代码目录
│   ├── YingYanAI.py     # 核心AI模型实现
│   ├── app.py           # FastAPI 服务实现
│   ├── download_data.py # 数据采集工具
│   └── logger_config.py # 日志配置
├── tools/               # 实用工具目录
│   └── predict_test.py  # 预测功能测试工具
├── models/              # 模型存储目录
│   ├── yingyan_model.h5 # 训练后的模型文件
│   └── class_names.txt  # 类别名称映射文件
├── images/              # 图像数据目录
│   ├── train/          # 训练数据集
│   │   ├── {关键词1}/  # 根据搜索关键词自动创建的类别目录
│   │   └── {关键词2}/  # 根据搜索关键词自动创建的类别目录
│   ├── validation/     # 验证数据集
│   └── test/          # 测试数据集
├── log/                # 日志文件目录
│   └── *.log          # 运行日志文件
└── README.md          # 项目说明文档

快速开始

环境要求

# 安装依赖
pip install tensorflow fastapi uvicorn python-multipart pillow icrawler

# 创建必要的目录
mkdir -p images/train images/validation models log

数据采集与准备

使用数据采集工具：

创建必要的数据目录：

mkdir -p images/{train,validation,test}

使用数据采集工具：

python src/download_data.py

关键词格式说明：

• 使用下划线连接多个单词
• 示例关键词格式：

  elon_musk          # 人物类别
  cute_cat           # 动物类别
  red_apple          # 物品类别
  sport_car          # 交通工具
  modern_building    # 建筑类别

示例操作：

请输入搜索关键词: porn_nude # 限制级内容
# 或
请输入搜索关键词: apple     # 普通内容
是否为训练集？(y/n): y
需要下载多少张图片？(默认: 5): 10

注意：请确保在 images 目录下创建以下子目录：

• train/ : 训练数据集
• validation/ : 验证数据集
• test/ : 测试数据集

启动服务

1. 开发环境

uvicorn src.app:app --host 0.0.0.0 --port 8000 --reload

2. 生产环境

uvicorn src.app:app --host 0.0.0.0 --port 8000 --workers 4

服务将在 http://localhost:8000 启动，可通过 http://localhost:8000/docs 访问交互式 API 文档。

API 使用说明

预测接口

• 端点：POST /predict
• 功能：上传图片进行分类预测
• 示例：

curl -X POST "http://localhost:8000/predict" \
     -H "accept: application/json" \
     -H "Content-Type: multipart/form-data" \
     -F "file=@/path/to/your/image.jpg"

预测测试工具

位于 tools/predict_test.py ，用于快速测试模型的预测功能。

使用方法：

确保 API 服务已启动

python tools/predict_test.py

输出示例：

[鹰眼 AI]: 2025-02-04 03:46:15,189 - **main** - INFO - 鹰眼 AI 图像预测测试工具启动
[鹰眼 AI]: 2025-02-04 03:46:15,189 - **main** - INFO - ==============================
[鹰眼 AI] 请拖拽图片到此处: '/path/to/images/train/porn_nude/000001.jpg'
[鹰眼 AI]: 2025-02-04 03:46:19,696 - **main** - INFO - 正在处理图片: 000001.jpg
[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 预测结果:
[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 类别: 1
[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 置信度: 98.90%

功能特点：

• 支持拖拽图片文件进行测试
• 自动验证图片格式（支持 jpg、jpeg、png、bmp）
• 详细的日志记录
• 友好的中文交互界面
• 显示预测结果和置信度

示例输出:

[鹰眼 AI] 2024-02-04 15:30:45 - INFO - 鹰眼 AI 图像预测测试工具启动
[鹰眼 AI] ==============================
[鹰眼 AI] 请拖拽图片到此处: /path/to/image.jpg
[鹰眼 AI] 正在处理图片: image.jpg
[鹰眼 AI] 预测结果:
[鹰眼 AI] 类别: 1
[鹰眼 AI] 置信度: 95.23%

响应格式：

{
  "success": true,
  "predicted_class": 0,
  "confidence": 0.95
}

特性

• 自动数据增强
• 迁移学习
• 模型自动训练
• RESTful API
• 实时预测
• 详细的日志记录

注意事项

• 确保训练数据集在 images/train 目录下按类别分类
• 验证数据集放置在 images/validation 目录下
• 首次启动服务时如果没有预训练模型会自动开始训练
• 所有操作日志都会记录在 log 目录下

系统要求

• CPU 或 GPU (推荐)
• 内存：4GB 以上
• 磁盘空间：500MB 以上

算法

评估模型：

在 src/YingYanAI.py 中添加以下代码来评估模型性能：

from sklearn.metrics import classification_report

# 加载测试数据

test_generator = val_datagen.flow_from_directory(
  "images/test",
  target_size=img_size,
  batch_size=batch_size,
  class_mode="categorical",
  shuffle=False
)

# 评估模型

predictions = yyi.model.predict(test_generator)
y_pred = tf.argmax(predictions, axis=1).numpy()
y_true = test_generator.classes

print(classification_report(y_true, y_pred))

预测新图像：

使用保存的模型对新图像进行预测：

from tensorflow.keras.models import load_model

model = load_model("models/yingyan_model.h5")
image_path = "path_to_image.jpg"

img = tf.keras.preprocessing.image.load_img(image_path, target_size=(224, 224))
img_array = tf.keras.preprocessing.image.img_to_array(img)
img_array = tf.expand_dims(img_array, 0) # 添加批次维度

predictions = model.predict(img_array)

print(f"预测结果: {predictions}")

参数说明

参数说明

参数名	说明	默认值
train_dir	训练数据目录路径	"images/train"
img_size	图像处理的目标尺寸	(224, 224)
batch_size	批处理大小	32
epochs	训练周期数	10

注：

• img_size 必须为 (224, 224)，这是 MobileNetV2 的要求
• batch_size 可根据可用内存大小调整
• epochs 可根据训练效果调整

模型架构

1. MobileNetV2：作为基础特征提取器，使用 ImageNet 预训练权重。
2. 全局平均池化：将特征图压缩为一维向量。
3. Dropout：随机丢弃 50% 神经元，防止过拟合。
4. 全连接分类层：使用 Softmax 激活函数进行多分类。

性能评估

评估指标

• 准确率 (Accuracy)：模型预测正确的比例。
• 召回率 (Recall)：真正例中被正确预测的比例。
• F1 分数：综合衡量模型的精度和召回率。

模型评估报告

类别	Precision	Recall	F1-Score	Support
0	0.95	0.94	0.95	34
1	0.96	0.97	0.96	36
准确率	-	-	0.95	70
宏平均	0.95	0.95	0.95	70
加权平均	0.95	0.95	0.95	70

注：

• Precision: 精确率
• Recall: 召回率
• F1-Score: F1 分数
• Support: 样本数量

许可证

本项目采用 木兰宽松许可证 (Mulan PSL) 进行许可。
有关详细信息，请参阅 LICENSE 文件。

个人捐赠支持

如果您认为该项目对您有所帮助，并且愿意个人捐赠以支持其持续发展和维护，🥰 我非常感激您的慷慨。 您的捐赠将帮助我继续改进和添加新功能到该项目中。 通过financial donation，您将有助于确保该项目保持免 费和对所有人开放。即使是一小笔捐款也能产生巨大的影响，也是对我个人的鼓励。

国内支付方式

微信支付

支付宝

国际支付渠道

关注作者

专业平台

社交媒体