基于深度学习的车辆类型识别系统，使用 ResNet34 网络实现对 1777+ 种车型的精准分类。
本项目使用 PyTorch 框架构建了一个基于 ResNet34 深度神经网络的车型分类模型，支持 1777+ 种车辆类别的识别。模型采用迁移学习策略，在 ImageNet 预训练权重基础上进行微调，实现了高精度的车辆类型识别。
- 🚗 支持 1777+ 车型：覆盖主流汽车品牌和型号
- 🎯 高精度识别：基于 ResNet34 网络架构
- ⚡ 快速预测：单张图片预测时间 < 0.1 秒（GPU）
- 📦 开箱即用：提供预训练模型，可直接使用
- 🔧 易于扩展：代码结构清晰，支持自定义训练
本项目使用 HyperVID 数据集进行训练，该数据集包含大量车辆图片，涵盖多种车型。
百度网盘下载链接：
- 链接: https://pan.baidu.com/s/1vvV2H5Jpewgba_VFsWvDcA
- 密码: vuo4
- Python 3.7+
- PyTorch 1.x
- CUDA (可选，用于 GPU 加速)
pip install -r requirements.txt使用预训练模型进行预测：
python predict.py将待预测图片放置在 car_img/ 目录下，修改 predict.py 中的 image_list 指定你的图片路径。
- 下载数据集并解压
- 执行数据集划分脚本：
python dataset_split.pypython train.py训练参数可在 train.py 中调整，如：
epochs: 训练轮数（默认 500）batch_size: 批次大小（默认 32）lr: 学习率（默认 0.0001）
训练完成后，模型权重将保存为 resnet34.pth。
vehicle_recognition/
├── car_img/ # 待预测图片目录
├── model.py # ResNet 模型定义
├── train.py # 训练脚本
├── predict.py # 预测脚本
├── dataset_split.py # 数据集划分脚本
├── resnet_car.pth # 预训练模型权重
├── class_car.json # 类别标签映射
└── requirements.txt # 项目依赖
本项目使用 ResNet34 网络作为骨干网络，主要包含以下组件：
- BasicBlock: ResNet 基础残差块
- Bottleneck: 瓶颈块（用于更深的网络）
- ResNet: 完整的网络结构，支持多种变体（ResNet34/50/101 等）
ResNet34 预训练权重下载地址： https://download.pytorch.org/models/resnet34-333f7ec4.pth
from model import resnet34
from predict import load_model, predict_image, load_class_mapping
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
class_indict = load_class_mapping('class_car.json')
model = load_model(device, num_classes=1778)
# 预测图片
time_used, imgshow, result, top5 = predict_image(
model, 'path/to/image.jpg', class_indict, device
)
print(f"预测结果: {result}")
print(f"Top-5: {top5}")from train import main, get_data_transform, build_model
# 修改数据路径和参数
image_path = '/path/to/dataset'
data_transform = get_data_transform()
# ... 更多自定义配置| 指标 | 数值 |
|---|---|
| 支持车型数 | 1777+ |
| 模型大小 | ~85 MB |
| 预测速度 (CPU) | ~0.3s/张 |
| 预测速度 (GPU) | <0.1s/张 |
| 训练准确率 | >95% |
Q: 如何添加新的车型类别？
A: 将新车型图片添加到对应类别的训练目录下，重新训练模型。
Q: 如何使用自己的数据集？
A: 按照 ImageFolder 格式组织数据（每个类别一个文件夹），修改 train.py 中的 image_path 即可。
Q: 训练显存不足怎么办？
A: 减小 batch_size 或使用更小的网络（如 ResNet18）。
- 扩充训练集数据量
- 支持更多车型类别
- 优化模型推理速度
- 提供 Web API 接口
- 支持批量预测
本项目采用 MIT 许可证 - 详见 LICENSE 文件
- HyperVID 数据集提供者
- PyTorch 框架及官方文档
如有问题或建议，欢迎提交 Issue 或 Pull Request。