【一键下载】花卉数据集快速上手:5 类 4317 张花卉图像的 CNN 分类指南
【一键下载】花卉数据集快速上手:5 类 4317 张花卉图像的 CNN 分类指南
这是一个面向卷积神经网络(CNN)图像分类的花卉数据集,共 4317 张 JPG 图片,覆盖雏菊、蒲公英、玫瑰、向日葵、郁金香 5 个类别,并已按 train/test 切分好。克隆仓库、解压一个 rar,几行 PyTorch 代码就能开始训练自己的第一个分类器。
📦 项目里有什么
| 参数 | 数值 | 备注 |
|---|---|---|
| 图片总数 | 4317 张 | train 3717 + test 600 |
| 类别数 | 5 | daisy、dandelion、rose、sunflower、tulip |
| 图片格式 | JPG | 单张约 15~130 KB |
| test 构成 | 每类 120 张 | 合计 600 张 |
| train 构成 | 每类 613~932 张 | 蒲公英最多(932),向日葵最少(613) |
| 交付形式 | flowers.rar,约 223 MB | 解压后是标准"目录即标签"结构 |
仓库根目录就三个文件:README.md、LICENSE 和数据包 flowers.rar。
📂 目录结构一览
31b0d/
├── README.md # 项目说明
├── LICENSE # MIT 许可
└── flowers.rar # 数据集压缩包,解压后得到:
└── flowers/
├── train/ # 训练集,5 个花卉类别目录
│ ├── daisy/ # 雏菊
│ ├── dandelion/ # 蒲公英
│ ├── rose/ # 玫瑰
│ ├── sunflower/ # 向日葵
│ └── tulip/ # 郁金香
└── test/ # 测试集,同样的 5 个类别目录
🚀 三步跑起来
1. 把数据拿下来
git clone https://gitcode.com/open-source-toolkit/31b0d
unrar x 31b0d/flowers.rar
解压后得到 flowers/train 和 flowers/test 两个目录,目录结构即类别标签。
2. 准备好运行环境
pip install torch torchvision unrar Pillow
一个基础 Python 环境加 PyTorch 就够,unrar 用于处理 rar 包。
3. 加载并跑通第一版
数据是标准的 ImageFolder 结构,ImageFolder 会自动把目录名映射成标签:
from torch.utils.data import DataLoader
from torchvision import datasets
train = datasets.ImageFolder('flowers/train')
d = DataLoader(train, batch_size=32, shuffle=True)
接着搭一个几层的卷积网络(或直接用 torchvision.models 里的现成骨干)循环跑几个 epoch,再用 flowers/test 算一次准确率,第一版就通了。
🎯 它适合拿来做什么
- 训练一个从零出发的 CNN 五分类基线模型
- 用固定的 test 集横向对比不同网络结构的准确率
- 在预训练骨干上做迁移学习,体会 few-shot 收敛速度
- 搭一个轻量花卉识别 demo 或教学示例
- 作为小型任务,在迭代模型时几分钟内完成验证
⚠️ 动手前先知道的三件事
- 许可:仓库代码和数据按 MIT 许可分发(见 LICENSE),但图片源自公开的 Flowers-102 花图库,商用或再分发前请核对原图来源条款;论文中使用记得标注数据来源。
- 常见坑:数据只在 rar 包里,Windows 自带工具打不开,装 unrar 或 WinRAR 即可;图片实际路径在
flowers/train、flowers/test,而不是data/,注意替换你脚本里的根目录。 - 数据边界:train 各类别数量不均(613~932),做降采样或二次切分时建议按类别分层;test 每类固定 120 张,训练时不要混进去。
解压后跑一次 ImageFolder,几分钟就能看到第一版结果。有结构上的建议或改进,欢迎提 issue 和 PR。
登录后查看全文