---

🕷️ 多模型蜘蛛识别系统 (Multi-Model Spider Recognition System)

一个基于 PyTorch 与 Tkinter 的桌面应用程序，用于蜘蛛图像分类识别与模型管理。
提供直观的图形化界面，支持多种深度学习模型的训练、验证与推理。

---

🌟 功能概述

🔧 多模型支持

• 内置 ResNet-50, EfficientNet-B0, DenseNet-121 等主流 CNN 模型；
• 支持快速切换与比较不同模型的性能。

🖥️ 图形界面操作

• 全程使用 Tkinter GUI 操作，无需命令行；
• 模型训练、验证、测试、加载、删除均可一键完成。

🧩 数据集管理

• 自动将原始数据集按 8:2 比例 划分为 train/ 与 val/；
• 支持指定数据目录、一键预处理。

📈 实时训练可视化

• 实时绘制以下训练曲线：
  • 训练损失（Training Loss）
  • 验证损失（Validation Loss）
  • 训练准确率（Training Accuracy）
  • 验证准确率（Validation Accuracy）
• 可从历史记录下拉框查看不同模型的曲线。

🧠 模型管理系统

• 加载、卸载、删除已训练模型；
• 自动保存模型文件与参数；
• 可从下拉菜单选择查看过往模型的结果。

🚫 训练中断机制

• 提供“中断训练”按钮，安全终止训练过程；
• 支持在中断后恢复训练。

⚙️ 设备自动检测

• 自动检测 GPU 是否可用；
• 若有 CUDA 支持，则自动启用 GPU 加速。

🖼️ 图像识别功能

• 一键选择图片，支持多模型同时识别；
• 显示各模型预测结果及置信度；
• 内置图片缩放、平移功能进行细节预览。

🧾 日志系统

• 底部集成日志输出框；
• 记录所有操作、模型训练状态与错误信息；
• 便于调试与追踪模型行为。

📂 数据准备

-您的数据集需要遵循以下标准的文件结构，其中顶层目录直接包含以类别命名的子文件夹：

/data_root
├── /黑寡妇 (Black_Widow)
│   ├── image_1.jpg
│   ├── image_2.png
│   └── ...
├── /跳蛛 (Jumping_Spider)
│   ├── image_a.jpg
│   └── ...
└── /狼蛛 (Wolf_Spider)
    └── ...

🧰 环境要求与安装步骤

🔹 环境要求

• Python 版本：3.7+
• 操作系统：Windows / macOS / Linux
• 推荐显卡：支持 CUDA 的 NVIDIA GPU（可自动切换 CPU 模式）

🔹 依赖安装

请确保已正确安装 PyTorch（根据您的 CUDA 版本选择合适命令，参见 PyTorch 官网）。

安装其他依赖：

pip install torchvision matplotlib pillow tqdm tk

🚀 使用指南

准备数据: 完成 数据准备 步骤。

选择模型: 在 2. 模型训练 区域，勾选您想要训练的模型。

设置参数: 调整训练轮数（Epochs）和批次大小（Batch Size）。

开始训练: 点击 开始训练选中模型，训练过程将在图表区域实时显示，并通过进度条和日志进行跟踪。若需停止，点击 中断训练 按钮。

模型识别: 在 3. 模型管理 区域，双击列表中的模型或使用 加载/卸载模型 按钮加载已训练的模型。

在 4. 图片识别 区域，点击 选择图片，然后点击 开始识别，结果将显示在右下方的识别结果区。