# 使用 Lazypredictor优化KNN 算法识别猫狗

**Repository Path**: liang-jianqiang1/Using-LazyPredicfor-CatDogRecognition

## Basic Information

- **Project Name**: 使用 Lazypredictor优化KNN 算法识别猫狗
- **Description**: 使用Lazypredictor优化KNN算法，高效识别猫狗图像，旨在为机器学习爱好者提供简洁易用的开源项目。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-11-05
- **Last Updated**: 2025-12-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 项目描述
本项目使用FAISS库实现了基于K近邻的图像分类器。该分类器可以使用CPU或GPU进行训练，并支持两种特征提取方法：flat和vgg。用户可以选择使用sklearn或faiss库实现K近邻算法。

# 功能
本项目实现了以下功能：
- 使用FAISS库实现基于K近邻的图像分类器
- 支持使用CPU或GPU进行训练
- 支持两种特征提取方法：flat和vgg
- 支持使用sklearn或faiss库实现K近邻算法

# 依赖
本项目依赖以下库：
- numpy
- faiss
- sklearn
- argparse
- logging
- tqdm
- cv2
- os
- imutils
- pickle
- tensorflow

# 使用
1. 安装依赖库
2. 运行训练脚本
```powershell
python .\train.py -m cpu -f vgg -l faiss --train-dir .\data\train --dest-dir .
```
其中：
   - `-m`：选择训练模式，可选值为cpu或gpu
   - `-f`：选择特征提取方法，可选值为flat或vgg
   - `-l`：选择使用的库，可选值为sklearn或faiss
   - `--train-dir`：训练集所在目录（相对或绝对路径），默认 `data/train`
   - `--dest-dir`：缓存输出目录（保存 X.pkl/y.pkl），默认当前目录

3. 查看训练结果
- 训练完成后，程序会输出最佳的k值和相应的准确率。

# 注意
- 本项目使用Python 3.8及以上版本进行开发和测试。
- 本项目使用FAISS库进行高效的相似度搜索和稠密向量的聚类。
- 本项目使用sklearn库中的K近邻分类器作为对比实验。
- 本项目使用VGG16模型进行图像特征提取。
- 本项目使用logging库记录日志。
- 本项目使用tqdm库在循环中添加进度条。

## 个人信息
- 学号: 202352320210
- 年级: 2023级
- 专业: 智能科学与技术
- 班级: 二班