python实现六种垃圾分类（基于mindspore深度学习框架）

近年来，随着深度学习技术的发展和硬件计算能力的提升，基于图像分类的AI模型在实际应用中表现出色。MobileNet V2作为一种轻量级卷积神经网络，因其高效的计算能力和较低的资源消耗，特别适用于移动端和嵌入式设备。通过MobileNet V2的垃圾分类模型，可以实现高效、便捷的实时垃圾分类，助力环保事业的发展。

2. 算法概述、流程、功能模块

2.1 准备数据

下载数据集： 垃圾分类数据集包含6个类别：纸板、玻璃、金属、纸、塑料、垃圾，我们下载并解压数据集到指定路径下。

datasets

└── Garbage_Data
    ├── infer
    │   ├── cardboard1.jpg
    │   ├── glass1.jpg
    │   ├── metal1.jpg
    │   ├── paper1.jpg
    │   ├── plastic1.jpg
    │   └── trash1.jpg
    ├── train
    │   ├── cardboard
    │   ├── glass
    │   ├── metal
    │   ├── paper
    │   ├── plastic
    │   └── trash
    └── val
        ├── cardboard
        ├── glass
        ├── metal
        ├── paper
        ├── plastic
        └── trash

加载数据集： 该create_dataset函数从指定路径加载数据集，如果train设置为，则应用数据增强True，它规范化图像并将其转换为所需的格式。

def create_dataset(path, batch_size=10, train=True, image_size=224):

    dataset = ds.ImageFolderDataset(path, num_parallel_workers=8, class_indexing={"cardboard": 0, "glass": 1, "metal": 2, "paper": 3, "plastic": 4, "trash": 5})


# 图像增强操作

    mean = [0.485 * 255, 0.456 * 255, 0.406 * 255]
    std = [0.229 * 255, 0.224 * 255, 0.225 * 255]
    if train:
        trans = [

            vision.RandomCropDecodeResize(image_size, scale=(0.08, 1.0), ratio=(0.75, 1.333)),
            vision.RandomHorizontalFlip(prob=0.5),
            vision.Normalize(mean=mean, std=std),
            vision.HWC2CHW()

        ]
    else:
        trans = [

            vision.Decode(),
            vision.Resize(256),
            vision.CenterCrop(image_size),
            vision.Normalize(mean=mean, std=std),
            vision.HWC2CHW()

        ]

    dataset = dataset.map(operations=trans, input_columns="image", num_parallel_workers=8)

    # 设置batch_size的大小，若最后一次抓取的样本数小于batch_size，则丢弃
    dataset = dataset.batch(batch_size, drop_remainder=True)
    return dataset


# 加载训练数据集和验证数据集
train_path = "Garbage_Data/train"
dataset_train = create_dataset(train_path, train=True)


val_path = "Garbage_Data/val"
dataset_val = create_dataset(val_path, train=False)

2.2 配置网络

下载预训练的MobileNet V2模型，并进行微调。设置网络超参数，包括学习率、批次大小、训练轮数等。

from mindspore import nn, load_checkpoint, load_param_into_net

from mindspore.train import Model

from mindspore import context

# 设置执行环境

context.set_context(mode=context.GRAPH_MODE, device_target="CPU")

# 加载预训练的MobileNetV2模型

from mindvision.classification.models import mobilenet_v2

network = mobilenet_v2(num_classes=6, pretrained=True)

# 修改最后的全连接层

network.clas

最低0.47元/天解锁文章