Resnet50训练部署

1. ResNet50简介

       ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。 残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。

       本教程基于图像分类算法ResNet50的训练和部署到EASY-EAI-Nano(RV1126)进行说明。

2. 准备数据集

2.1 数据集下载

本教程以车辆分类算法为例，数据集的百度网盘下载链接为:

https://pan.baidu.com/s/1pkYm9AA3s3WDM7GecShlbQ 提取码：6666

解压完成后得到以下两个文件夹：

 打开可以看到一共10类汽车：

 类别名称与类别索引关系如下所示：

类别名称	类别索引号
SUV	0
BUS	1
family sedan	2
fire engine	3
heavy truck	4
jeep	5
mini bus	6
racing car	7
taxi	8
truck	9

3. ResNet50图像分类训练

3.1 训练源码下载

训练源码的百度网盘下载链接为:

https://pan.baidu.com/s/1slgFo12Hoy0_copi1MFmXg  提取码：6666

得到下图所示目录：

 把数据集解压到当前目录：

3.2 训练模型

进入anconda的pyTorch环境，切换到训练源码目录执行以下指令开始训练：

python train.py

执行结果如下图所示:

 训练结束后test loss结果如下所示:

 训练结束后test accuracy结果如下所示:

 生成的最优模型如下所示：

3. 在PC端测试模型

 在训练源码目录执行以下指令，测试模型(生成模型名称不一致则修改predict.py脚本):

python predi