PaddleX快速实现图像分类训练

最新推荐文章于 2024-08-07 10:20:10 发布

Vertira

最新推荐文章于 2024-08-07 10:20:10 发布

阅读量3.5k

点赞数 1

分类专栏： paddle 文章标签： paddlepaddle paddlex

本文链接：https://blog.csdn.net/Vertira/article/details/123422895

版权

paddle 专栏收录该内容

27 篇文章 2 订阅

订阅专栏

本文介绍了如何利用飞桨PaddleX进行图像分类训练。首先，通过安装PaddleX和下载蔬菜分类数据集，然后配置训练和评估数据集的预处理步骤。接着，使用MobileNetV3_small_ssld模型进行训练，展示训练结果。最后，演示了如何运行推理程序以获取预测结果。

摘要由CSDN通过智能技术生成

飞桨 -PaddleX 是一套更加简明易懂的API，并配套一键下载安装的图形化开发客户端。用PaddleX实现图像分类训练非常快速，代码量也小。
第一步：安装paddlex, 参考《在windows10下安装飞桨2.0.2和PaddleX》
第二步：下载并解压蔬菜分类数据集，用迅雷直接下载

https://bj.bcebos.com/paddlex/datasets/vegetables_cls.tar.gzhttps://links.jianshu.com/go?to=https%3A%2F%2Fbj.bcebos.com%2Fpaddlex%2Fdatasets%2Fvegetables_cls.tar.gz或者用命令：

wget https://bj.bcebos.com/paddlex/datasets/vegetables_cls.tar.gz
tar xzvf vegetables_cls.tar.gz

第三步：运行train.py程序，源代码如下所示，训练模型

from paddlex.cls import transforms
import paddlex as pdx 

train_transforms = transforms.Compose([
    transforms.RandomCrop(crop_size=224),
    transforms.RandomHorizontalFlip(),
    transforms.Normalize()
])
eval_transforms = transforms.Compose([
    transforms.ResizeByShort(short_size=256),
    transforms.CenterCrop(crop_size=224),
    transforms.Normalize()
])

train_dataset = pdx.datasets.ImageNet(
    data_dir='vegetables_cls',
    file_list='vegetables_cls/train_list.txt',
    label_list='vegetables_cls/labels.txt',
    transforms=train_transforms,
    shuffle=True)
eval_dataset = pdx.datasets.ImageNet(
    data_dir='vegetables_cls',
    file_list='vegetables_cls/val_list.txt',
    label_list='vegetables_cls/labels.txt',
    transforms=eval_transforms)

num_classes = len(train_dataset.labels)
model = pdx.cls.MobileNetV3_small_ssld(num_classes=num_classes)

model.train(num_epochs=20,
            train_dataset=train_dataset,
            train_batch_size=32,
            eval_dataset=eval_dataset,
            lr_decay_epochs=[4, 6, 8],
            save_dir='output/mobilenetv3_small_ssld',
            use_vdl=True)

训练结果如下所示：

第四步：运行infer.py程序，源代码如下所示，执行推理计算，获得推理结果

import paddlex as pdx
model = pdx.load_model('output/mobilenetv3_small_ssld/best_model')
result = model.predict('vegetables_cls/bocai/100.jpg')
print("Predict Result: ", result)