项目概述
本项目构建了一个基于深度学习的宠物识别系统，核心目标是实现对猫和狗的自动识别与分类。系统采用前后端分离架构设计：前端使用 Vue3 配合 Element Plus 构建用户友好的交互界面，后端基于 Flask 框架提供高效的 API 服务，核心识别算法则依托 TensorFlow 深度学习框架和 ResNet50 卷积神经网络模型。
选题背景与意义
随着人工智能技术的快速发展，图像识别在各个领域的应用日益广泛。宠物作为人们生活中的重要伴侣，对宠物进行自动化识别具有重要的实用价值和研究意义。传统的宠物识别方法主要依赖人工判断，不仅效率低下，且准确性难以保证。而基于深度学习的图像识别技术为解决这一问题提供了新的思路，能够显著提升识别的自动化程度和准确率。
关键技术栈：ResNet50
本系统选用了微软研究院提出的 ResNet50 模型作为核心骨干网络。作为 ResNet（Residual Network）系列中的经典模型之一，它通过引入残差连接（Residual Connection）机制，有效解决了深度神经网络中常见的梯度消失和梯度爆炸问题，使得网络可以构建得更深，从而显著提升了图像识别的准确性。
ResNet50 模型包含 50 层卷积和全连接层，主要由输入层、卷积层、残差块、池化层和全连接层组成。其核心创新在于残差块结构，通过将输入直接与输出相加，形成跳跃连接（Skip Connection），使得网络可以学习残差映射，简化了训练过程。这种设计使得 ResNet50 在处理复杂图像特征时具有更强的表达能力，非常适合用于宠物图像的细粒度分类任务。
技术架构图
系统功能模块图
