Vision Transformer 分类水果图片集 Python 代码（可训练自己数据集）

已于 2024-01-14 02:33:27 修改
阅读量900 收藏 19
点赞数 15
文章标签： transformer 深度学习 人工智能
于 2023-12-09 00:39:26 首次发布
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/Illusionna_/article/details/134889628
版权

代码链接: 

https://github.com/Illusionna/ComputerVision/tree/main/EfficientTransformerA repository for ViT. Contribute to Illusionna/Transformer development by creating an account on GitHub.icon-default.png?t=N7T8https://github.com/Illusionna/ComputerVision/tree/main/EfficientTransformer

图片数据集链接:

https://pan.baidu.com/s/1xyMbXGbNYu4nIZRyP50PUg?pwd=emx4

提取码: emx4

执行步骤（先查看 main.py 文档）：

可以下载我的权重直接进行分类任务.

先运行 process.py 处理文件.

再运行 train.py 训练文件.

结果：

迭代 700 次准确率接近 99%，测试集基本全部分类正确.

Illusionna.
关注
  • 15
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
海康机器人visionmaster深度学习图像分类
视觉人机器视觉的博客
09-24 1294
海康机器人visionmaster深度学习图像分类
Pytorvh之Vision Transformer图像分类
风间琉璃的博客
10-11 3551
Vision Transformer（ViT）是将Transformer模型应用于计算机视觉领域的方法，用于图像分类任务。与传统的卷积神经网络（CNN）不同，ViT通过将图像分成==固定大小的图块==(Image Patches)并展平成序列，然后将==序列输入Transformer模型进行处理==。在Transformer中，`Self-Attention结构被用来捕捉序列中不同位置的关联信息`。通过多层的Transformer编码器，ViT能够从输入图像中学习到更高级的特征表示，最终输出图像的类别。
transformer在图像分类上的应用以及pytorch代码实现_transformer 图片分类
最新发布
zhishi0000的博客
06-30 1850
transformers在自然语言处理领域有着天然的优势，transformers改进了RNN(循环神经网络)训练慢，不能够建立序列之间的长期依赖，记忆消失的缺点。transformers的核心在是self-attention,输入一组序列，它能够平行的计算并平行的输出另一组经过编码的序列。
Swin Transformer实战目标检测：训练自己的数据集
bai666ai的博客
01-04 5882
课程链接：Swin Transformer实战目标检测：训练自己的数据集--计算机视觉视频教程-人工智能-CSDN程序员研修院 Transformer发轫于NLP（自然语言处理），并跨界应用到CV（计算机视觉）领域。Swin Transformer是基于Transformer的计算机视觉骨干网，在图像分类、目标检测、实例分割、语义分割等多项下游CV应用中取得了SOTA的性能。该项工作也获得了ICCV 2021顶会最佳论文奖。 本课程将手把手地教大家使用labelImg标注和使用Swin Transfo.
帮我用python写一个基于transformer的图像分类
weixin_42576186的博客
02-12 371
很好，为了实现这个需求，我们需要以下几个步骤： 准备数据：需要一组用于图像分类的数据集，例如MNIST、CIFAR等。 安装依赖库：需要安装PyTorch和torchvision等库。 建立模型：使用transformer模型，在PyTorch中可以使用torch.nn.Transformer模块。 训练模型：使用训练数据对模型进行训练，以调整模型参数以获得最佳性能。 评估模型：使用测试...
Pytorch之SwinTransformer图像分类
风间琉璃的博客
10-11 3303
`Swin Transformer`(Liu et al., 2021) 是一种基于视觉Transformer的层次化模型。与之前的Vision Transformer相比，Swin Transformer采用了层次化构建方法，使用`不同倍数的下采样`来构建特征图，并在每个窗口内使用`Windows Multi-Head Self-Attention(W-MSA)`进行注意力计算。这种方法既减少了计算量，尤其是在浅层特征图较大时，又能在相邻窗口之间`传递信息`。
【Swin Transformer】Win10使用Swin Transformer做目标检测 (使用自己的数据集 + 图解超详细)
零碎@流年絮语 的博客
04-13 8735
mmcv安装 https://github.com/open-mmlab/mmcv 测试代码 python demo/image_demo.py demo/demo.jpg configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_3x_coco.py mask_rcnn_swin_tiny_patch4_window7.pth
较新论文(2022)的模型EfficientFormer，改进的轻量化vision transformer，训练自己的数据集模型
qq_28593177的博客
01-09 2493
运行环境：Windows10 I7-13700k RTX4080 Cuda11.3 ,在mmdetection框架下运行Efficientformer模型，Transformer和CNN在CV领域广泛使用，CNN和Transformer已经对战多年, 在目标检测中通常是CNN比较常用，因为transfomer参数量大且训练时间长.最近的一篇论文提出了EfficientFormer是改进的VIT（vision transformer），其在轻量化的同时也能提高精度，并且目标是达到移动设备可以使用的速度。
Swin Transformer目标检测实验——测试自己的数据集
想太多的学习日志
11-28 2165
随着第二步的完成，竟然奇迹般的解决了0.0，这个用词只是说明了自己没搞懂这背后的原理，但是有些程序不就是bug运行的嘛（狗头），所以，最后想想应该就是batch size设置的问题，还有就是不要边安装软件边训练模型。 如果我哪天搞懂了，会持续更新的（应该），有不懂的可以留言或私信，不定时回复，作者也在摸索中，希望大家一起进步呀！
Vision Transformer 网络对脑肿瘤MRI4分类【数据集、代码、训练结果】
05-08
train.py 训练完成会生成训练集的loss、测试集的loss，训练集的accuracy、测试集的accuracy，并生成对应的曲线保存至run_results文件内。训练完成会计算训练集和测试集的混淆矩阵，计算召回率、特异度、F1等等 5....
Vision Transformer 网络对香蕉成熟识别4分类【数据集、代码、训练结果】
05-09
train.py 训练完成会生成训练集的loss、测试集的loss，训练集的accuracy、测试集的accuracy，并生成对应的曲线保存至run_results文件内。训练完成会计算训练集和测试集的混淆矩阵，计算召回率、特异度、F1等等 5....
基于 Vision Transformer 网络对人脸4种表情识别分类、数据集+代码+训练结果
06-20
train.py 训练完成会生成训练集的loss、测试集的loss，训练集的accuracy、测试集的accuracy，并生成对应的曲线保存至run_results文件内。训练完成会计算训练集和测试集的混淆矩阵，计算召回率、特异度、F1等等 5....
Vision Transformer 网络对30种水果图像分类数据集的分类，包含训练权重和数据集
03-26
2.数据集是30分类的水果数据集(苹果、香蕉、苦瓜、猕猴桃等） 3.网络训练的过程中，会对数据集的训练集图像求取灰度值的均值和方差，预处理处理包括随机裁剪、中心裁剪等等。网络初始化会自动载入ViT 官方的预训练...
猫狗数据集的二分类图像识别项目：基于VIT(vision transformer)
02-08
1、本项目基于VIT(vision transformer)迁移学习的图像分类。 2、模型已训练好，可以直接运行，服务器上使用8个GPU，训练200个epoch，accuracy达到0.995。 3、资源中包含了猫狗二分类数据集。 4、如果想要训练自己...
Swin-transformer训练自己的数据集，图像分类
点我
07-05 1万+
官方swin-transformer目前只支持训练imageNet，其次加载预训练有点东西，想要训练自己的数据集需要稍微改改代码，为了方便使用，我将改好的上传到github，大家仅需要自己修改参数即可使用。github:https://github.com/sunanlin13174/Image-train-Swin-transformer 我的数据集是图案比较丰富的，但是部分类或者数据集本身数据不多，因此在官方已有数据增强：亮度、对比度、饱和度变化、mixup、裁剪等基础上，添加了上下左右中心裁剪并翻.
Swin-Transformer-Object-Detection训练自己的数据集
曾小辉的博客
05-27 5697
环境配置 conda create -n SwinTransformerObjectDetection -y python=3.8 conda activate SwinTransformerObjectDetection conda install pytorch=1.8.0 torchvision cudatoolkit=10.2 -c pytorch -y # mmcv安装 cd ~/software/ rm -rf mmcv git clone https://github.com/open-
Bert基础(十六)--Bert实战：中文文本分类任务-- transformers库实现
Andy_shenzl的博客
04-19 2818
Hugging Face 的 Transformers 库是一个开源库，它提供了大量预训练的模型，用于自然语言处理（NLP）任务，如文本分类、命名实体识别、机器翻译、问答系统等。这个库的特点是易于使用，支持多种模型架构，包括但不限于 BERT、GPT、RoBERTa、XLNet 等，并且可以轻松地在不同的任务上微调这些模型。以下是使用 Hugging Face Transformers 库进行情感分类的基本步骤：fill:#333;color:#333;color:#333;fill:none;
「解析」Vision Transformer 在图像分类中的应用
绿色羽毛
08-30 1万+
An Image is Worth 16x16 Words:Transformers for Image Recognition at Scale 代码： 1、ViT原理分析： 这个工作本着尽可能少修改的原则，将原版的Transformer开箱即用地迁移到分类任务上面。并且作者认为没有必要总是依赖于CNN，只用Transformer也能够在分类任务中表现很好，尤其是在使用大规模训练集的时候。同时，在大规模数据集上预训练好的模型，在迁移到中等数据集或小数据集的分类任务上以后，也能取得比CNN更优的性能。下面
transformer在图像分类上的应用以及pytorch代码实现
热门推荐
qq_37937847的博客
04-09 5万+
文章目录1.对transformers的简单介绍1.1序列数据的介绍（seq2seq）1.2self-Attention1.3 transformer的完整结构2.transformers在图像分类上的pytorch代码2.1加载cifar10数据集2.2构建transformers模型2.2.1构建图像编码模块 Embeddings2.2.3构建前向传播神经网络模块2.2.4构建编码器的可重复利用Block模块2.2.5构建Encoder模块2.2.6 构建完整的transformers2.2.7构建Vi
swin-transformer训练自己的数据集,图像分类csdn
09-01
Swin-Transformer是一种新型的图像分类模型，它融合了transformer和局部窗口相互作用的思想，具有更高的计算效率和分类性能。在使用Swin-Transformer模型对自己的数据集进行训练时，一般需要进行以下几个步骤。 首先，需要准备好自己的数据集。这个数据集应包含图像和对应的类别标签。可以通过从网上下载公开数据集或者自己收集构建数据集。 接下来，需要对数据集进行预处理。首先，可以对图像进行尺寸的调整和归一化操作，确保输入的图像具有一致的尺寸和数据范围。其次，可以对标签进行编码，将类别信息转换为模型可以理解的数字形式。 然后，可以使用Swin-Transformer模型对数据集进行训练。在训练过程中，需要将数据集按照一定的比例分为训练集和验证集。训练集用于模型的参数更新，而验证集用于调整模型的超参数，以及评估模型的性能。 在每个训练迭代中，可以将一批图像输入到Swin-Transformer模型中，并计算模型的损失函数。通过反向传播算法，可以更新模型的参数，使得模型能够更好地拟合训练数据。 训练完成后，可以使用训练好的Swin-Transformer模型对新的图像进行分类预测。只需将图像输入到模型中，即可得到图像所属的类别标签。 总之，使用Swin-Transformer模型对自己的数据集进行图像分类需要准备数据集、预处理数据、划分训练集和验证集、进行训练和评估，并最终利用训练好的模型进行预测。这个过程需要仔细调整模型的超参数和进行适当的数据增强操作，以获得更好的分类性能。
评论 5
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