/django-cnn-image-recognition

Django_CNN图像识别项目（简历项目）

Primary LanguagePython

Django + CNN 图像识别

本项目包含下面可运行示例：

  • DNN 基线（MNIST）
  • CNN 训练与评估（MNIST）
  • 单图预测脚本（加载训练好的权重）
  • 可选：将模型以 Django 服务化（步骤指引）

说明：示例使用 PyTorch + TorchVision。Django 仅作为可选服务化演示，默认脚本以内训推理为主。

目录结构

Django_CNN图像识别项目/
  ├─ README.md
  ├─ requirements.txt
  └─ src/
      ├─ data/
      │   └─ mnist_dataset.py
      ├─ models/
      │   ├─ dnn.py
      │   └─ cnn.py
      ├─ train_dnn_mnist.py
      ├─ train_cnn_mnist.py
      └─ predict_mnist.py

环境准备

  1. 创建虚拟环境（任选其一）
  • Conda:
conda create -n mnist python=3.10
conda activate mnist
  • venv:
python -m venv .venv
.\.venv\Scripts\activate
  1. 安装依赖
pip install -r requirements.txt
  1. 数据集
  • TorchVision 会自动下载 MNIST 到本地缓存目录（首次运行需联网）。

训练与评估

  • DNN 基线：
python src/train_dnn_mnist.py --epochs 5 --batch-size 128 --lr 1e-3 --save checkpoints/dnn_mnist.pth
  • CNN：
python src/train_cnn_mnist.py --epochs 5 --batch-size 128 --lr 1e-3 --save checkpoints/cnn_mnist.pth

日志会输出每个 epoch 的 loss / accuracy，并在 checkpoints/ 下保存权重文件。

单图预测

python src/predict_mnist.py --model cnn --ckpt checkpoints/cnn_mnist.pth --image path/to/digit.png

要求：输入为 28x28 灰度或任意尺寸单通道/三通道图片（脚本会自动转灰度并缩放到 28x28）。

可选：Django 服务化（指引）

  1. 安装 Django：
pip install django
  1. 创建项目与应用：
django-admin startproject mnist_web
cd mnist_web
python manage.py startapp infer
  1. 在 infer/views.py 中加载 cnn.py 模型权重（如 checkpoints/cnn_mnist.pth），编写一个上传图片并返回预测的 API（POST /predict）。
  2. 在 mnist_web/urls.py 中路由到 infer.views.predict。
  3. 启动服务：
python manage.py runserver 0.0.0.0:8000

提示：服务端加载模型时请设置 model.eval() 并在推理处使用 torch.inference_mode()；将权重路径放在安全可读位置。

常见问题

  • 下载数据慢：可配置国内镜像或预先下载 MNIST 到本地缓存。
  • 精度较低：适当增大 epochs、使用更强数据增强、或采用更深层 CNN 结构与更规范的优化超参。
  • Windows + CPU：训练会较慢，建议减少 batch size 或迁移到支持 CUDA 的环境。