图像分类——Paddle实现

1. 环境配置

• paddlepaddle-gpu==2.3.0
• opencv-python==4.5.5.64
• tqdm==4.64.0
• numpy==1.19.3
• Pillow==9.1.0
• visualdl==2.2.3

2. 数据准备

数据集链接：https://pan.baidu.com/s/1zs9U76OmGAIwbYr91KQxgg 提取码：bhjx

数据文件夹格式如下：

- datasets
	- test
		- flower0
		- flower1
		- flower2
		- flower3
		- ...
	- train 
		- flower0
		- flower1
		- flower2
		- flower3
		- ...

运行txt_annotation.py文件后，会在根目录下生成两个txt文件，分别为cls_test.txt以及cls_train.txt。

3. 训练步骤

1. 在train.py中实现，需要指定的参数如下：

# ------------------------------------------------ #
# -----------------参数说明------------------------ #
# input_shape：输入图片大小
# epochs：训练轮次
# batch_size：训练批次
# train_path：训练集路径
# valid_path：测试集路径
# loss：选择的loss函数CE代表交叉熵损失、Poly代表Poly交叉熵损失
# network：网络结构的选择{MobileNetv2}
# model_path：预训练权重路径，则model_path=""，注意：不需要指定后缀名
# ------------------------------------------------ #
input_shape = [224, 224, 3]
epochs = 100
batch_size = 16
train_path = './cls_train.txt'
valid_path = './cls_test.txt'
loss = 'Poly'
network = "MobileNetv2"
model_path = ""

训练结束后可以使用如下命令查看训练过程可视化的参数：

visualdl --logdir ./logs1 --port 8080

4. 预测步骤

注意：需要数据准备之后进行此步骤

1. 首先在classification.py文件中，指定参数，如下：

_defaults = {
        "model_path": "./model_data/mobilenetv2", # 权重路径
        "classes_path": "./datasets/test", # 数据集路径
        "input_shape": [224, 224],  # 输入图片大小
        "backbone": "MobileNetv2", # 网络结构
    }

2. 运行predict.py，根据提示选择参数即可。

5. 评估步骤

注意：需要数据准备之后进行此步骤

1. 首先在classification.py文件中，指定参数，如下：

_defaults = {
        "model_path": "./logs/57", # 权重路径
        "classes_path": "./datasets/test", # 数据集路径
        "input_shape": [224, 224],  # 输入图片大小
        "backbone": "MobileNetv2", # 网络结构
    }

2. 在eval.py文件中，根据提示选择参数即可。

6. 参考

https://github.com/PaddlePaddle/PaddleClas/blob/release/2.3/ppcls/arch/backbone/model_zoo/mobilenet_v2.py