本项目通过Python语言及PyTorch框架，利用预训练ResNet50模型高效地实现了图像分类功能。提供详尽代码示例，助力快速理解和应用深度学习技术于视觉任务中。
代码说明：
数据预处理：定义了训练集和验证集的数据预处理操作，包括随机裁剪、水平翻转、归一化等。
数据集加载：使用 torchvision.datasets.ImageFolder 加载数据集，并通过 DataLoader 创建数据加载器。
模型加载与修改：加载预训练的 ResNet50 模型，冻结预训练层的参数，修改最后一层全连接层以适应自定义的分类类别数。
训练模型：定义了训练函数 train_model，在训练过程中使用交叉熵损失函数和随机梯度下降优化器。
保存模型：在完成训练后，将模型权重保存到 image_classification_model.pth 文件中。
预测部分：加载已保存的模型权重，并通过 predict_image 函数对单张图片进行预测，最后显示预测结果。
使用说明：
确保你的数据集按照 hymenoptera_data 目录结构组织，包含 train 和 val 子目录，每个子目录下的文件夹代表一个类别。将 test_image.jpg 替换为你实际要预测的图片路径。
5星
