# 使用 Lazypredictor优化KNN 算法识别猫狗项目

**Repository Path**: xv514/Using-Lazypredictor-to-Optimize-KNN-Algorithm-to-Identify-Cat-and-Dog-Projects

## Basic Information

- **Project Name**: 使用 Lazypredictor优化KNN 算法识别猫狗项目
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-11
- **Last Updated**: 2025-11-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

![输入图片说明](%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE%202025-11-11%20153938.png)
![输入图片说明](%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE%202025-11-11%20154013.png)
# 猫狗图像分类系统（lazypredict版）
## 项目描述
本项目基于lazypredict工具库，自动对比多种机器学习分类算法在猫狗图像分类任务上的性能，筛选出最优模型并构建 Web 交互界面，实现高效、便捷的猫狗图像识别功能。

## 功能
本项目实现了以下功能：
--支持两种特征提取方式（flat 灰度展平与 vgg 特征提取）
--使用lazypredict批量训练多种分类模型并自动评估性能
--自动筛选准确率最高的模型并保存到本地
--提供 Gradio 网页交互界面，支持图片上传和实时分类预测
--显示分类结果及置信度，提升用户体验

## 依赖
本项目依赖以下库：
 - numpy
 - pandas
 - scikit-learn
 - gradio
 - lazypredict
 - tqdm
 - pillow
 - logging
 - joblib
 - tensorflow

## 使用
1. 安装依赖库
```bash
pip install numpy pandas scikit-learn lazypredict gradio joblib tensorflow pillow tqdm
```
2. 模型训练
运行训练脚本自动对比多种模型并保存最优模型：
```bash
python train.py
```
训练过程会自动读取图像数据并提取特征（默认使用 flat 方法）
程序会使用lazypredict批量训练多种分类模型并输出性能指标
训练完成后，最佳模型将保存为 lazy_best_model.pkl，标准化器保存为 lazy_scaler.pkl
首次运行会生成特征缓存文件（X.pkl 和 y.pkl），后续运行将直接加载以提高效率
3. 启动 Web 应用
使用训练好的模型启动交互界面：
```bash
python webapp.py
```
 - 应用启动后，访问本地地址（默认http://127.0.0.1:7860）即可使用
 - 支持拖放或点击上传图片，系统会自动识别并返回分类结果及置信度

## 项目结构
1.train.py：训练脚本，使用 lazypredict 批量训练模型并保存最佳模型
2.webapp.py：Web 应用脚本，基于 Gradio 部署模型
3.util_1.py：工具函数，包含图像处理和特征提取功能
4.FaissKNeighbors_1.py：Faiss 库实现的 KNN 分类器（备用）
5.lazy_best_model.pkl：训练生成的最佳模型（自动生成）
6.lazy_scaler.pkl：数据标准化器（自动生成）
7.X.pkl/y.pkl：特征缓存文件（自动生成）

## 训练过程说明
训练脚本会执行以下步骤：
1.加载并预处理图像数据（支持 flat 或 vgg 特征提取）
2.分割训练集和测试集（8:2 比例，分层抽样）
3.对数据进行标准化处理
4.使用 lazypredict 批量训练多种分类模型
5.评估所有模型性能（准确率、平衡准确率、ROC AUC、F1 分数、训练时间）
6.筛选准确率最高的模型并重新训练
7.保存最佳模型和标准化器

## 注意
- 本项目使用 Python 3.8 及以上版本开发测试
- 训练前请确保训练数据存放于指定目录（默认__MACOSX/data/train），且文件命名符合 "cat.xxx" 或 "dog.xxx" 格式
- 特征提取方法可在 train.py 的 CONFIG 中修改（"flat" 或 "vgg"）
- Gradio 可能存在版本兼容性问题，建议使用 3.x 版本

## 个人信息
- 学号: 202352320224
- 年级: 2023
- 专业: 智能科学与技术
- 班级: 2班