darknet框架基于resnet34模型训练OCT图片

更多参考其他模型训练OCT图像分类

目录

迁移学习darknet_resnet34

裁剪权重文件：

配置metal.data

修改cfg文件：

训练效果：

 

---

 

迁移学习darknet_resnet34

数据来自平安数据：

正常图片：14708张

异常图片：24303张

黄斑六线高清OCT图。

裁剪权重文件：

darknet分类官网（https://pjreddie.com/darknet/imagenet/）下载resnet34模型的权重文件resnet34.weights和网络结构文件：resnet.cfg也可以重命名为resnet34.txt.

darknet partial resnet34.txt backup/resnet34.weights _resnet34.weights 51

说明：

darknet partial cfg文件　权重文件　输出名字　层数

51就是保留前51层的权重，保存文件名为_resnet34.weights.

参考文献：yolo partial提取已经训练好的网络中的部分权重

为什么保留前51层结构的权重，首先使用darknet classifier train metal.data resnet34.txt backup/resnet34.weights 命令，可以查看resnet34的机构，保留到最后一个conv层即可，本质是砍掉resnet的分类层。

配置metal.data

使用F:\HelloPytorch\pinganjpg文件夹下，abnor和normal两个文件夹中的数据进行小批量训练，正常异常图片比例为1:1，图片总张数约6000张。

配置metal.data详情参考：如何训练darknet模型：修改官网已有模型训练自己图片

修改cfg文件：

参考其他模型训练OCT图像分类中4.2节修改cfg文件

图片张数6000,100epoch，裁剪后的权重初始batch=0，所以设置maxbatch为40000

maxbatches = 40000;
begin = 0
rate = 0.01;
x = begin:maxbatches;
tm = x-begin
y=1-(tm/maxbatches);
k=y.^4;
rate= rate*k;
plot(x,rate)

 

训练效果：

训练指令：

darknet classifier train metal.data resnet34.txt backup/_resnet34.weights 

开始时间：

2020年9月9日：10:50 

结束时间：2020年9月9日：17:40

预测图片：

darknet classifier test metal.data resnet34.txt backup/resnet34_8000.weights >1.txt

异常图片：召回率，0.9439

otal:3014

 normal4:169  abnor4: 2845  total: 3014  normal/total: 0.05607166556071665 abnor/total:0.9439283344392834

正常图片：召回率，0.6722

 total:3228

 normal4:2170  abnor4: 1058  total: 3228  normal/total: 0.6722428748451054 abnor/total:0.3277571251548947

 darknet classifier test metal.data resnet34.txt backup/_resnet34.weights >1.txt

异常图片：召回率，0.0846

 total:3014

 normal4:2759  abnor4: 255  total: 3014  normal/total: 0.9153948241539482 abnor/total:0.08460517584605176

正常图片：召回率，0.9811

 total:3228

 normal4:3167  abnor4: 61  total: 3228  normal/total: 0.9811028500619579 abnor/total:0.018897149938042132

权重文件	异常图片	正常图片
_resnet34.weights	0.0846	0.9811
resnet34_8000.weights	0.9439	0.6722

神经网络训练细节：权重不更新，损失值不减少

为什么相同图片相同模型，pytorch与darknet结果大不相同？