MNIST_SVM_GUI

基于SVM模型和mnist数据集的手写数字的识别系统

概述

• 使用 scikit-learn 的 SVM（RBF 核）在 MNIST 上训练分类器，并提供 PyQt5 图形界面进行图片识别。
• 训练完成后会生成模型文件 svm.model，GUI 支持手动选择图片与从测试集随机抽样识别。
• 识别结果以文本与饼状图展示：饼图仅突出 Top-3 置信率，其余类别统一浅灰色。

项目文件

• img_train/train-images.idx3-ubyte：训练集的原始二进制文件（训练图像）.
• img_train/train-labels.idx1-ubyte：训练集的原始二进制文件（训练标签）.
• img_test/：测试集的原始二进制文件（训练图像、训练标签）
• get_train_data.py：将 img_train 的 idx 文件导出为 mnist_train 图片集。
• get_test_data.py：将 img_test 的 idx 文件导出为 mnist_test 图片集。
• svm.py：训练脚本，读取 mnist_train，训练并保存 svm.model（打印训练耗时）。
• predict_gui.py：识别 GUI，支持手动选择图片与随机测试，并绘制 Top-3 饼状图。

快速运行

完整下载本项目。依次运行：

pip install -r requirements.txt

python get_test_data.py

python get_train_data.py

python svm.py

python predict_gui.py

环境准备

• Python 3.8+（Windows/Linux/macOS）
• 安装依赖：
  • pip install -r requirements.txt
  • 或pip install numpy scikit-learn Pillow joblib PyQt5 matplotlib
  • 若你使用虚拟环境，请先激活后再安装。

数据准备

• 项目已准备好原mnist数据集，亦可从 MNIST 官方下载原始二进制文件（idx 格式）并放置到如下目录：
  • 训练集：img_train/train-images.idx3-ubyte 与 img_train/train-labels.idx1-ubyte
  • 测试集：img_test/t10k-images.idx3-ubyte 与 img_test/t10k-labels.idx1-ubyte
• 运行数据转换脚本，将 idx 数据导出为图片并按类别分目录：
  • python get_train_data.py → 生成 mnist_train/0-9/*.png
  • python get_test_data.py → 生成 mnist_test/0-9/*.png
• 目录结构示例：
  • mnist_train/0/mnist_train_123.png
  • mnist_test/7/mnist_test_456.png

训练模型

• 运行：python svm.py
• 默认使用参数：C=10、gamma=0.001、kernel='rbf'，并采用 ovr（一对多）策略。
• 控制台会打印训练耗时，训练完成后保存模型到项目根目录 svm.model。
• 训练数据来源：mnist_train 目录（按 0–9 分类）。

图形界面

• 运行：python predict_gui.py
• 功能：
  • 选择图片：从本地选择任意图片识别（会自动转灰度并缩放到 28×28；平均像素偏亮则自动反相；二值化到 0/1）。
  • 随机测试：从 mnist_test 目录随机选取一张图片识别，便于快速演示。
  • 文本显示：预测类别、置信度、Top-3 概率。
  • 饼状图：仅显示 Top-3 标签与百分比；其他类别统一浅灰色且不显示文字。
• 注意：
  • 首次运行前需先训练生成 svm.model；否则 GUI 会提示模型不存在。
  • 若 mnist_test 不存在或为空，随机测试会给出提示。

常见问题

• 模型文件不存在: svm.model：先运行 python svm.py 完成训练。
• 测试集目录不存在: mnist_test：先运行 python get_test_data.py 或确认目录结构。
• 概率显示为近似值：若模型未启用 probability=True，GUI 会依据 decision_function 进行 softmax 近似；如需真实概率可将训练改为 SVC(..., probability=True)，但训练时间更长。

快速流程

• 安装依赖 → 准备 img_train 与 img_test → 运行数据转换脚本 → 训练生成 svm.model → 启动 GUI 进行识别与演示。