昇思25天学习打卡营第17天|基于MobileNetv2的垃圾分类

基于MobileNetv2的垃圾分类总结

实验目的

本实验旨在通过使用MindSpore实现垃圾分类的代码，具体目标包括：

• 理解KNN算法：掌握K近邻算法的基本概念及其在分类任务中的应用。
• 代码编写：学习如何使用Python编写垃圾分类应用的代码。
• Linux操作系统：熟悉Linux系统的基本使用，了解如何在该环境中运行实验。
• 模型转换：掌握atc命令的使用，进行模型转换和优化。

MobileNetv2模型原理

MobileNetv2是一种轻量级卷积神经网络（CNN），由Google团队在2017年提出，专为移动设备和嵌入式系统设计。其主要优势在于：

• 深度可分离卷积：将传统的卷积操作拆分为深度卷积和逐点卷积，显著减少了计算量和参数数量，同时保持了模型的准确性。

• 倒残差结构：通过在网络中引入倒残差块（Inverted Residual Block），先将输入升维再降维，有效地保留信息，优化了模型性能。

• 宽度系数与分辨率系数：允许根据不同应用场景调整模型的复杂性和计算需求，使得MobileNetv2在多种任务中表现出色。

模型架构

MobileNetv2的基本结构包括多个倒残差模块，每个模块由以下部分组成：

1. 1x1卷积：用于升维，增加特征的维度。
2. 深度卷积：以每个输入通道为基础，进行轻量级的特征提取。
3. 1x1卷积：用于降维，压缩特征的维度并输出。

这种结构不仅提高了模型的计算效率，还增强了特征表示能力。

实验环境

预备知识

• Python编程：需要熟练使用Python语言，能够进行数据处理和模型构建。
• 机器学习理论：应具备一定的机器学习基础知识，尤其是对KNN、无监督学习和距离度量的理解。

环境配置

• MindSpore版本：使用MindSpore 2.0，支持Windows和Linux系统，兼容CPU、GPU和Ascend硬件。
• 文档参考：在本地安装MindSpore时，可参考《MindSpore环境搭建实验手册》中的详细步骤。

数据处理

数据准备

使用Wine数据集，这是一组著名的化学分析数据集，包含178个样本和13个属性。数据集中的属性包括：

1. Alcohol：酒精含量
2. Malic acid：苹果酸
3. Ash：灰分
4. Alcalinity of ash：灰的碱度
5. Magnesium：镁含量
6. Total phenols：总酚
7. Flavanoids：类黄酮
8. Nonflavanoid phenols：非黄酮酚
9. Proanthocyanins：原花青素
10. Color intensity：色彩强度
11. Hue：色调
12. OD280/OD315 of diluted wines：稀释酒的光密度
13. Proline：脯氨酸

数据加载与处理

1. 导入必要的库

在实现实验之前，导入所需的Python库和MindSpore模块。使用os库进行文件操作，其他库在具体使用时再导入。

2. 数据读取

使用ImageFolder格式管理数据集，将每一类的图片整理到单独的文件夹。数据集的结构如下：

└─ImageFolder
    ├─train
    │   ├─class1Folder
    │   └─class2Folder
    └─eval
        ├─class1Folder
        └─class2Folder

3. 数据预处理

• 数据归一化：对整个数据集进行归一化处理，确保不同特征在同一尺度上。
• 数据增强：对训练集应用随机裁剪、水平翻转、颜色调整等操作，以增加数据的多样性。
• 测试集处理：对测试集进行相对简单的预处理，如解码和中心裁剪。

MobileNetV2模型搭建

使用MindSpore定义MobileNetV2网络时，需要继承mindspore.nn.Cell。在__init__方法中定义各模块，在construct方法中实现前向传播。模型激活函数使用ReLU6，全局池化层用于减少输出维度。

模型训练与测试

训练策略

• 学习率设置：通常采用静态学习率，如0.01。为了提高训练效果，使用动态学习率策略，如余弦衰减。
• 检查点保存：在训练过程中添加检查点，保存模型参数，方便后续推理和再训练。

模型评估

在验证集上进行模型评估，设置K值为5，训练结果显示模型的分类精度接近80%。这表明KNN算法在红酒分类任务中的有效性。

模型推理

加载模型检查点进行推理，使用load_checkpoint接口时，确保将数据传入原始网络，而非训练网络。推理结果可以用于验证模型的实际应用效果。

模型导出

导出AIR模型文件，以便在Atlas 200 DK上进行后续模型转换与推理。当前导出仅支持MindSpore与Ascend环境。

总结

本实验详细介绍了如何利用MobileNetv2实现垃圾分类，包括模型构建、训练、测试和推理的全过程。通过对Wine数据集的深入分析与处理，验证了KNN算法的有效性，为垃圾分类领域的后续研究提供了坚实基础和丰富经验。