# OracleNet

**Repository Path**: kellyworld0/OracleNet

## Basic Information

- **Project Name**: OracleNet
- **Description**: 本项目旨在实现甲骨文的自动化识别，采用ResNet-34卷积神经网络作为基础架构。模型训练采用分阶段的迁移学习策略：首先加载ImageNet预训练权重，冻结全部卷积层，仅训练输出分类层以适配甲骨文类别；随后解冻所有网络层，使用较小学习率进行全局参数更新，以优化特征提取与分类的协同效果。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-13
- **Last Updated**: 2026-02-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 甲骨文识别项目

## 项目简介

本项目使用 ResNet 卷积神经网络对甲骨文拓片中的字符进行识别。包含数据预处理、模型训练、评估预测等完整流程。



## 环境配置

1. 安装依赖：`pip install -r requirements.txt`
2. 启动 Jupyter：`jupyter notebook`
3. 打开对应的 `.ipynb` 文件运行



## 文件说明

1. `甲骨文识别.ipynb`：主程序文件
2. `best_oracle.pt`: 训练完后的最优模型
3. `resnet34-333f7ec4.pth`: resnet34残差网络模型

## 数据集目录要求

本实验一共包含76种甲骨文，共40617个文件

要求**文件夹名字即标签**：

data/
└── Oracle2/
    ├── train/
    │   ├── 北/           # 类别：北
    │   │   ├── 001.bmp
    │   │   ├── 002.bmp
    │   │   └── ...
    │   ├── 宾/           # 类别：宾
    │   │   ├── 001.bmp
    │   │   ├── 002.bmp
    │   │   └── ...
    │   ├── 丙/
    │   ├── 并/
    │   ├── 乘/
    │   ├── 束/
    │   └── 化/
    └── valid/            # 验证集，结构与 train 相同
        ├── 北/
        ├── 宾/
        ├── 丙/
        └── ...

## 实验结果

​	本项目基于ResNet34预训练模型，采用迁移学习策略对76类甲骨文字符进行图像识别。实验数据划分为训练集32466张和验证集8151张，在验证集上的评估结果显示，模型整体**准确率达到93.90%**，损失值为0.2863，表明模型具有较强的识别能力。

​	从各类别的详细表现来看，绝大多数类别的精确率、召回率和F1-score均超过0.9，其中“丙”、“口”、“吉”、“田”、“羊”等类别表现尤为突出，F1-score达到0.98以上，显示出模型对这些字形特征的稳定捕捉能力。然而，部分样本量较少的类别如“牧”、“灾”、“涎”、“昃”等表现相对较弱，F1-score低于0.7，反映出数据不平衡对模型性能的影响。

![image-20260213232444785](C:\Users\KL\AppData\Roaming\Typora\typora-user-images\image-20260213232444785.png)

![image-20260213232508298](C:\Users\KL\AppData\Roaming\Typora\typora-user-images\image-20260213232508298.png)