计算机视觉领域--图像分类模型

最新推荐文章于 2023-11-17 12:03:24 发布
最新推荐文章于 2023-11-17 12:03:24 发布
阅读量703 收藏 1
点赞数 3
文章标签： 计算机视觉 分类 python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2201_75331416/article/details/130789456
版权

图像分类模型

概要

功能：使用googlenet模型对输入图片进行分类推理。
样例输入：待推理的jpg图片。
样例输出：推理后的jpg图片

整体架构流程

一.样例准备
1.获取源码包
可以使用以下两种方式下载，请选择其中一种进行源码准备。

命令行方式下载（下载时间较长，但步骤简单）。

# 开发环境，非root用户命令行中执行以下命令下载源码仓。    
cd ${HOME}     
git clone https://gitee.com/ascend/samples.git

注：如果需要切换到其它tag版本，以v0.5.0为例，可执行以下命令。

git checkout v0.5.0

压缩包方式下载（下载时间较短，但步骤稍微复杂）。
注：如果需要下载其它版本代码，请先请根据前置条件说明进行samples仓分支切换。

 # 1. 通过该链接本地下载
 # 2. 将ZIP包上传到开发环境中的普通用户家目录中，【例如：${HOME}/ascend-samples-master.zip】。     
 # 3. 开发环境中，执行以下命令，解压zip包。     
 cd ${HOME}    
 unzip ascend-samples-master.zip
 链接：https://gitee.com/ascend/samples/repository/blazearchive/master.zip?Expires=1684309948&Signature=jgslBgIl2nlHmXnP%2F0lx4jWnUqYsCD4%2Bwhz88Z%2FArAc%3D

2.获取此应用中所需要的原始网络模型。

# 为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。也可以参照上表在modelzoo中下载并手工转换，以了解更多细节。
cd $HOME/samples/python/level2_simple_inference/1_classification/googlenet_imagenet_dynamic_batch/model
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.caffemodel --no-check-certificate
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.prototxt --no-check-certificate
wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/googlenet_imagenet_dynamic_batch-python/insert_op.cfg --no-check-certificate
atc --input_shape="data:-1,3,224,224" --weight="./googlenet.caffemodel" --input_format=NCHW --output="./googlenet_dynamic_batch" --soc_version=Ascend310 --insert_op_conf=./insert_op.cfg --framework=0 --model="./googlenet.prototxt" --dynamic_batch_size="1,2,4,8"

3.获取样例需要的测试图片。

执行以下命令，进入样例的data文件夹中，下载对应的测试图片。
cd $HOME/samples/python/level2_simple_inference/1_classification/googlenet_imagenet_dynamic_batch/data
wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/googlenet_imagenet_dynamic_batch-python/test_image/test1.jpg --no-check-certificate
wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/googlenet_imagenet_dynamic_batch-python/test_image/test2.jpg --no-check-certificate
cd ../src

二.样例运行
注：开发环境与运行环境合一部署，请跳过步骤1，直接执行步骤2即可。

1.执行以下命令,将开发环境的 googlenet_imagenet_dynamic_batch 目录上传到运行环境中，例如 /home/HwHiAiUser，并以HwHiAiUser（运行用户）登录运行环境（Host）。

# 【xxx.xxx.xxx.xxx】为运行环境ip，200DK在USB连接时一般为192.168.1.2，300（ai1s）为对应的公网ip。
scp -r $HOME/samples/python/level2_simple_inference/1_classification/googlenet_imagenet_dynamic_batch HwHiAiUser@xxx.xxx.xxx.xxx:/home/HwHiAiUser
ssh HwHiAiUser@xxx.xxx.xxx.xxx
cd ${HOME}/googlenet_imagenet_dynamic_batch/src

2.运行样例

python3.6 classify.py ../data/

三.查看结果
运行完成后，会在样例工程的out目录下生成带推理结果的jpg图片，显示对比结果如下所示。
在这里插入图片描述

名词解释

原始权重：原始权重是机器学习算法中的一个重要概念。在机器学习过程中，数据通常都会被转换成向量或矩阵的形式来进行处理。而这些向量或矩阵中的每一个数值都会被赋予一个权重，用来表示它在模型中的重要性和影响力。

原始权重就是指在模型训练过程中，初始化时赋予每个参数的初始值。这些初始权重可能是随机生成的，也有可能是根据特定的规则生成的。在机器学习中，使用正确的初始权重能够加速模型的收敛，并提高模型的表现。

原始模型网络：原始模型网络，也称为初始模型网络，是机器学习中一种最初的网络结构模型。这个网络模型最初的目的是为了解决特定的问题，其网络结构通常较为简单。

在Deep Learning领域中,神经网络是通常采用深度（depth）结构，由多个层（layer）共同组成。deep learning之所以称为“深度学习”，就是因为神经网络的深度相对较深，至少包含两个或以上“隐层”。而初始模型网络相对于后来的网络结构来说，则层数更少，神经元也更少。

在模型设计中，通常需要选取一个初始模型来进行训练。这里的初始模型可以是一个随机的神经网络模型，也可以是采用特定规则生成的预先训练好的模型。

在实际应用中，初始模型用于指导整个机器学习过程，它不仅影响学习效率，同时也能够影响模型的最终效果。因此，选择合适的初始模型是非常关键的。

通过对初始模型网络进行反向传播（back propagation）算法训练后，可以获得更优的模型参数以及更优的模型输出。因此，初始模型网络在机器学习中扮演着非常重要的角色，能够带领整个机器学习系统完成从最初的数据预处理到最后的模型训练和预测的完整流程。

AIPP:模型量化中的自适应感性品质估计（Adaptive Input Parameter Precision），其作用主要是优化模型的计算性能和模型的精度。

在机器学习中，神经网络计算通常需要较高的计算资源和较长的计算时间。而且，随着神经网络的结构变得更复杂，这种计算问题会变得更加严重。为了解决这个问题，研究人员引入了模型量化技术，该技术的思路是减少神经网络模型中参数的精度，从而降低计算负担。

而AIPP是一种较为先进的模型量化技术，它能够自适应地调节模型参数的精度，从而保证模型的精度和性能之间的一个平衡。在具体实现中，AIPP会对神经网络的权重和客户端数据的精度进行自适应调整，从而提升计算效率和模型精度。

通过AIPP的自适应调整，可以使得神经网络的计算过程中更加高效，从而能够节省大量的计算资源和计算时间。同时，AIPP还能够通过优化模型的精度，提高模型在特定任务上的表现。

总之，AIPP作为一种先进的模型量化技术，能够优化神经网络模型的计算性能和精度，帮助研究人员实现高效的深度学习模型。

OM模型是指OpenVX模型，其作用主要是在机器视觉和深度学习领域中帮助开发人员实现高效的图像和视频处理应用程序。

OM模型是由Khronos Group开发的OpenVX图像和视觉处理框架的一部分。该模型涵盖了多种机器视觉和深度学习任务的算法和操作。开发人员可以利用OM模型，快速地实现各种视觉算法和应用程序，例如人脸识别、物体识别、运动估计、3D测量、视觉SLAM等等。

OM模型的设想是提供一种通用性和标准化的接口，使得各种厂商的硬件能够快速地支持以该模型实现的图像和视频处理相关应用，从而在各种平台上提供高效、统一和可靠的视觉处理解决方案。

OM模型的另一个重要作用是在移动端机器学习应用的部署过程中，帮助研发者调用移动端的硬件加速器进行推理，同时也允许开发者对OM模型进行定制化、优化和扩展。

总之，OM模型作为 Khronos Group OpenVX框架的一部分，对于加速机器视觉和深度学习领域的算法和操作非常有帮助。

ATC（Ascend TensorFlow Conversion）模型转化工具是一种能够将TensorFlow模型转化为适用于华为昇腾芯片的模型的开源工具，其作用主要是优化模型的推理性能，提高模型的效率和精度。

在深度学习算法中，TensorFlow是一种常用的深度学习框架，但是其所生成的模型文件不能直接运行在华为昇腾芯片上。而将TensorFlow模型转换为适用于华为昇腾芯片的模型是至关重要的一步，这个转换过程中，ATC模型转化工具具有非常重要的作用。

ATC模型转化工具可以自动将TensorFlow模型中的各种节点、运算符等等转化为适用于华为昇腾芯片上的节点和运算符，并且还可以对模型做一些优化，例如模型量化、通道剪枝等等，从而进一步提高模型的推理性能、减少昇腾芯片的计算流程和计算时间，同时保证模型的精度和稳定性。

通过ATC模型转化工具的使用，研究人员和开发者可以减少转换模型的时间和精力，避免了从头开始架构昇腾芯片上的模型，使得他们可以更快速地实现TensorFlow模型在昇腾芯片上的部署和应用。

总之，ATC模型转化工具作为可以将TensorFlow模型转换为适用于华为昇腾芯片的模型的开源工具，其作用是优化模型的推理性能和精度，同时简化模型转换的过程，为研发者提供更快速和高效的开发体验和应用场景。

MSAME推理工具是一种由微软开发的基于DNN的跨平台推理引擎，可以有效地加速DNN模型的推理过程，提高模型的效率和精度。

在深度学习算法中，神经网络模型是计算密集型的模型，因此在模型的推理过程中，需要大量的计算资源和计算复杂度。MSAME推理工具提供了一种高级优化的技术，可以在多个线程和多个协处理器之间分配负载，从而使得神经网络模型的推理过程可以更加快速和高效。

同时，MSAME推理工具采用了一种轻量级的模型压缩技术，可以将DNN模型的大小减小，从而减少模型在内存和磁盘中的存储成本，同时还可以减少模型在网络中传输的时间。

另外，MSAME推理工具还提供了针对特定硬件的代码优化，可以在CPU和GPU等多种硬件平台上高效地运行。此外，这个引擎还支持多种深度学习框架，包括TensorFlow、Caffe等。

总之，MSAME推理工具作为一种跨平台的DNN推理引擎，可以优化模型的计算性能和模型精度，同时提高模型在不同硬件平台上的效率和实用性，为DNN模型的推理带来了更加高效和优化的计算体验。

技术细节

1.ATC模型转化参数解释

# 为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。也可以参照上表在modelzoo中下载并手工转换，以了解更多细节。
cd $HOME/samples/python/level2_simple_inference/1_classification/googlenet_imagenet_dynamic_batch/model
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.caffemodel --no-check-certificate
wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/classification/googlenet.prototxt --no-check-certificate
wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/models/googlenet_imagenet_dynamic_batch-python/insert_op.cfg --no-check-certificate
atc --input_shape="data:-1,3,224,224" --weight="./googlenet.caffemodel" --input_format=NCHW --output="./googlenet_dynamic_batch" --soc_version=Ascend310 --insert_op_conf=./insert_op.cfg --framework=0 --model="./googlenet.prototxt" --dynamic_batch_size="1,2,4,8"

该命令是使用ATC模型转化工具将基于Caffe框架的GoogLeNet模型转换为适用于华为Ascend AI处理器的动态批量大小模型。下面是对该命令的详细解释：

  • atc：ATC模型转化工具的命令行工具。
  • –input_shape=“data:-1,3,224,224”：指定神经网络的输入形状，其中data表示输入数据的层名称，-1表示维度不确定，3表示输入数据的通道数，224表示输入数据的高度和宽度。
  • –weight=“./googlenet.caffemodel”：指定 Caffe 框架所训练的 GoogLeNet 模型的权重文件路径。
  • –input_format=NCHW：指定输入数据的格式，这里采用 NCHW 格式。
  • –output=“./googlenet_dynamic_batch”：指定转换后的模型文件所保存的路径。
  • –soc_version=Ascend310：指定推理使用的芯片型号，这里设置为Ascend310。
  • –insert_op_conf=./insert_op.cfg：指定ATC模型转化工具中使用的算子配置文件。
  • –framework=0：指定神经网络模型训练时所采用的框架类型，这里设为0，即Caffe框架。
  • –model=“./googlenet.prototxt”：指定 Caffe 框架所训练的 GoogLeNet 模型的结构文件路径。
  • –dynamic_batch_size=“1,2,4,8”：指定模型支持的动态批量大小，即输入数据的样本数量，这里支持1, 2, 4, 8个样本输入。

综上所述，该命令实现了将基于Caffe框架的GoogLeNet模型转换为适用于华为Ascend AI处理器的支持动态批量大小的模型，其中指定了模型的输入形状、权重文件路径、模型输出路径、芯片型号等信息，同时指定了模型支持的动态批量大小。
2.msame模型性能测试
这条命令的含义是：使用msame这个跨平台DNN推理引擎，加载…/model/googlenet.om这个模型文件，将推理结果输出到output/文件夹中，并且循环运行100次模型推理。

具体的解释如下：

  • ./msame：表示执行当前目录下的msame可执行文件，即该命令所在的目录下的msame应用程序。
  • –model …/model/googlenet.om：指定需要加载的模型文件路径，该路径为上一级目录的model文件夹下的googlenet.om文件。
  • –output output/：指定输出推理结果的路径，将推理结果输出到output文件夹中。
  • –loop 100：指定运行模型推理的次数，这里运行100次模型推理。

综上所述，该命令的作用是使用msame推理引擎对加载的googlenet.om模型文件进行推理，并将推理结果输出到output文件夹中，并且运行100次模型推理。

小结

该模型用于对图像进行分类并进行标注，可应用于医学检测、电表ocr、人脸识别等多种领域。

疯人院在逃疯子
关注
深度学习成长之路（一）概述--计算机视觉的任务及对应的网络模型（图像分类）
daydayjump的博客
06-21 3595
  学了好久的深度学习，主要是在做人脸识别、生成这一方面，但是一直感觉徘徊在深度学习的大门之外。深度学习成长之路第一篇就是为了搞清楚计算机视觉到底在做什么，搭建一个整体的框架。有些地方写的不对的，还请大家多多指教，共同学习。正文开始：  计算机视觉的任务具体有几大类，说法很多。我更倾向于是三大类，图像分类（classfication），图像识别/目标检测（object detection）、图像分...
计算机视觉-----图像分类综述
热门推荐
Avery123123的博客
06-15 2万+
计算机视觉-----图像分类综述计算机视觉-----图像分类综述图像分类介绍应用场景传统图像分类算法深度学习算法1、CNN2、VGG3、GoogLeNet4、ResNet 计算机视觉-----图像分类综述 图像分类介绍 什么是图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。实际上，这意味着我们的任务是分析一个输入图像并返回一个将图像分类的标签。标签来自预定义的可能类别集。 示例：我们假定一个可能的类别集categories = {dog, cat, eagle}，之后我们提供一张图1给分类系统：
图像分类模型
10-07
有助于理解logo图像的识别方法 帮助新手更好的理解logo图像的识别
深度学习应用篇-计算机视觉-图像分类[2]：LeNet、AlexNet、VGG、GoogleNet、DarkNet模型结构、实现、模型特点详细介绍
丨汀、的博客
06-07 2904
LeNet是最早的卷积神经网络之一[1]，其被提出用于识别手写数字和机器印刷字符。1998年，Yann LeCun第一次将LeNet卷积神经网络应用到图像分类上，在手写数字识别任务中取得了巨大成功。算法中阐述了图像中像素特征之间的相关性能够由参数共享的卷积操作所提取，同时使用卷积、下采样（池化）和非线性映射这样的组合结构，是当前流行的大多数深度图像识别网络的基础。
【CNN 4个系列网络】 图像分类4 个系列模型值得一看
赖德发的博客
12-30 1451
InceptionV3是 Google 对 InceptionV2 的一种改进。首先，InceptionV3 设计和使用了更多种类的 Inception 模块，部分 Inception 模块将较大的方形二维卷积拆成两个较小的非对称卷积，从而大幅度节省参数量； GhostNet是华为于 2020 年提出的一种全新的轻量化网络结构。通过引入 Ghost module，大大缓解了传统深度网络中特征的冗余计算问题，使得网络的参数量和计算量大大降低； ResNeSt系列模型是 2020 年提出的。在原有的 ResN.
人工智能AI：计算机视觉-日常物品图像分类（1300种物品+）
03-05
### 人工智能AI：计算机视觉-日常物品图像分类（1300种物品+） #### 核心知识点概览 本文将深入探讨一个重要的计算机视觉应用——日常物品图像分类，特别是针对1300多种常见物体的分类技术。该技术不仅在学术界...
人工智能AI：计算机视觉-日常物品实时图像分类（1300种物品+）
03-05
### 人工智能AI：计算机视觉-日常物品实时图像分类（1300种物品+） #### 知识点一：日常物品实时图像分类技术 - **技术概述**：日常物品实时图像分类技术是一种基于人工智能（AI）和计算机视觉的高级算法，能够...
人工智能AI：计算机视觉-通用图像分类-基础版（1000种物品+）
03-05
关键词：通用分类、通用领域、图像分类、计算机视觉、人工智能、AI、AIGC、大模型、多模态大模型、API、Docker、镜像 内容摘要： 通用图像分类-基础版支持1000类别图像分类，适用于多种应用场景： 图像搜索和推荐：...
艾科瑞特科技：计算机视觉-通用图像分类-高级版（1000种物体）
最新发布
03-08
1. **技术背景**：随着深度学习的发展，尤其是卷积神经网络（Convolutional Neural Networks, CNNs）的进步，计算机视觉领域的图像分类技术取得了显著进展。艾科瑞特科技在此基础上，通过集成先进的算法和大规模的...
​【汇总】CV 图像分类常见的 36 个模型
机器学习算法那些事
11-05 3579
点击上方“机器学习算法那些事”，关注"星标"获取有趣、好玩的前沿干货！文章：新机器视觉今天给大家介绍自 2014 年以来，计算机视觉 CV 领域图像分类方向文献和代码的超...
​【深度学习】CV 图像分类常见的 36 个模型
fengdu78的博客
11-17 3651
文章：新机器视觉今天给大家介绍自 2014 年以来，计算机视觉 CV 领域图像分类方向文献和代码的超全总结和列表！总共涉及 36 种 ConvNet 模型。该 GitHub 项目作者是 weiaicunzai，项目地址是：https://github.com/weiaicunzai/awesome-image-classification背景我相信图像识别是深入到其它机器视觉领域一个很好的起点，特...
图像分类以及经典的分类模型
TerenceAmil的博客
08-01 9737
图像分类 图像分类目的 图像分类实质上就是从给定的类别集合中为图像分配对应标签的任务。 例如： 类别集(caegories)有(bird,dog,pig)三个类别，输入一张图片，分类模型会给图像分配多个标签，每个标签的概率不相同，取最大作为其类别，这就完成了图像分类的任务 图像分类经典的分类模型 AlexNet AlexNet简介： 2012 年的ImageNet图像识别挑战赛中，AlexNet横空出世，它击败了日本选手的传统方法构建的SVM模型，首次证明了学习到的特征可以超越手工设计的特征，从而一举打破计
计算机视觉-基本的图像操作和处理
Huanghuali_的博客
03-17 5719
文章目录一、 Matplotlib1.绘制图像，点和线2.图像轮廓和直方图3.交互式标注二、NumPy1.图像数组表示2.灰度变换3.图像缩放4.直方图均衡化5.图像平均6.图像的主成分分析三、Scipy1.高斯图像模糊2.图像导数四、图像去噪 一、 Matplotlib Matplotlib可以处理数学运算，绘制图表，或者在图像上绘制点，直线和曲线时， Matplotlib是比PIL更强大的绘图工具，可以绘制出高质量的图表。 1.绘制图像，点和线 点和线可以表示一些事物，比如对应点，兴趣点以及检测的物体
[Python] 计算机视觉-图像分类经典模型
moment8aVry的博客
06-20 2235
LeNet模型使用的激活函数是Sigmoid函数，优化器采用Momentum。AlexNet模型使用的激活函数是ReLU函数，优化器是Adam。上述结构是针对手写数字识别任务而设计。二、AlexNet模型。
经典的图像分类模型
最白の白菜的博客
02-22 5394
目录经典的图像分类模型AlexNetAlexNet的网络架构手写数字势识别数据读取模型编译模型训练模型评估VGGVGG的网络架构手写数字势识别数据读取模型编译模型训练模型评估GoogLeNetInception 块GoogLeNet模型B1模块B2模块B3模块B4模块B5模块手写数字识别数据读取模型编译模型训练模型评估延伸版本InceptionV2InceptionV3ResNet残差块ResNet模型手写数字势识别数据读取模型编译模型训练模型评估 经典的图像分类模型 AlexNet 学习目标 知道Ale
图像分类基础概念，经典模型（附代码）
PLANTTHESON的博客
09-27 5503
图像分类基础概念，经典模型（附代码）
【Pytorch神经网络理论篇】 30 图片分类模型：Inception模型
小李的研究生学习日记
04-02 8048
1 Inception系列模型 Incepton系列模型包括V1、V2、V3、V4等版本，主要解决深层网络的三个问题： 训练数据集有限，参数太多，容易过拟合； 网络越大，计算复杂度越大，难以应用； 网络越深，梯度越往后传，越容易消失（梯度弥散），难以优化模型。 1.1 多分支结构 原始的Inception模型采用多分支结构（见图1-1)，它将1×1卷积、3×3卷积最大池化堆叠在一起。这种结构既可以增加网络的宽度，又可以增强网络对不同尺寸的适应性。 Inception模型包含3种不同尺寸的..
给我推荐20个比较流行的计算机视觉模型
weixin_42599558的博客
01-03 254
非常好的问题! 这是20个比较流行的计算机视觉模型的列表: AlexNet VGG GoogLeNet (也称为 InceptionNet) ResNet MobileNet DenseNet R-CNN Faster R-CNN Mask R-CNN YOLO (也称为 YOLOv3) SSD U-Net SegNet GANs (生成对抗网络) VAE (变分自动编码器) Pix2Pix C...
Caffe框架下预训练的ResNet-50图像分类模型
它以速度快，表达能力强，模块化高等特点受到研究者和开发者的青睐，尤其在计算机视觉领域得到了广泛应用。Caffe支持卷积神经网络(CNN)，循环神经网络(RNN)以及长短时记忆网络(LSTM)等多种网络结构。使用Caffe进行...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值