图像分类实战：mobilenetv2从训练到TensorRT部署（pytorch

最新推荐文章于 2024-06-04 20:06:28 发布
最新推荐文章于 2024-06-04 20:06:28 发布
阅读量734 收藏 8
点赞数 16
分类专栏： 2024年程序员学习 文章标签： 分类 pytorch 数据挖掘
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/m0_61418075/article/details/136937854
版权

文章目录

  • 摘要

  • mobilenetv2简介

    • 线性瓶颈

  • 倒残差

  • ONNX

  • TensorRT

  • 项目结构

  • 训练

    • 数据增强Cutout和Mixup

  • 导入包

  • 设置全局参数

  • 图像预处理与增强

  • 读取数据

  • 设置模型

  • 定义训练和验证函数

  • 测试

  • 模型转化及推理

    • 转onnx

  • onnx推理

  • 转TensorRT

  • TensorRT推理

摘要

=============================================================

本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，演示如何使用pytorch版本的mobilenetv2图像分类模型实现分类任务。将训练的模型转为onnx，实现onnx的推理，然后再将onnx转为TensorRT，并实现推理。

通过本文你和学到：

​ 1、如何从torchvision.models调用mobilenetv2模型？

​ 2、如何自定义数据集加载方式？

​ 3、如何使用Cutout数据增强？

​ 4、如何使用Mixup数据增强。

​ 5、如何实现训练和验证。

​ 6、如何使用余弦退火调整学习率。

​ 7、如何载入训练的模型进行预测。

​ 8、pytorch转onnx，并实现onnx推理。

​ 9、onnx转TensorRT，并实现TensorRT的推理。

希望通过这篇文章，能让大家对图像的分类和模型的部署有个清晰的认识。

mobilenetv2简介

========================================================================

mobileNetV2是对mobileNetV1的改进，是一种轻量级的神经网络。mobileNetV2保留了V1版本的深度可分离卷积，增加了线性瓶颈（Linear Bottleneck）和倒残差（Inverted Residual）。

MobileNetV2的模型如下图所示，其中t为瓶颈层内部升维的倍数，c为特征的维数，n为该瓶颈层重复的次数，s为瓶颈层第一个conv的步幅。

image-20220201195718346

除第一层外，整个网络中使用恒定的扩展率。 在实验中，发现在 5 到 10 之间的扩展率会导致几乎相同的性能曲线，较小的网络在扩展率稍低的情况下效果更好，而较大的网络在扩展率较大的情况下性能稍好。

MobileNetV2主要使用 6 的扩展因子应用于输入张量的大小。 例如，对于采用 64 通道输入张量并产生具有 128 通道的张量的瓶颈层，则中间扩展层为 64×6 = 384 通道。

线性瓶颈

对于mobileNetV1的深度可分离卷积而言， 宽度乘数压缩后的M维空间后会通过一个非线性变换ReLU，根据ReLU的性质，输入特征若为负数，该通道的特征会被清零，本来特征已经经过压缩，这会进一步损失特征信息；若输入特征是正数，经过激活层输出特征是还原始的输入值，则相当于线性变换。

瓶颈层的具体结构如下表所示。输入通过1的conv+ReLU层将维度从k维增加到tk维，之后通过3×3conv+ReLU可分离卷积对图像进行降采样（stride>1时），此时特征维度已经为tk维度，最后通过1*1conv（无ReLU）进行降维，维度从tk降低到k维。

image-20220201201436575

倒残差

残差块已经在ResNet中得到证明，有助于提高精度构建更深的网络，所以mobileNetV2也引入了类似的块。经典的残差块（residual block）的过程是：1x1(降维)–>3x3(卷积)–>1x1(升维)， 但深度卷积层（Depthwise convolution layer）提取特征限制于输入特征维度，若采用残差块，先经过1x1的逐点卷积（Pointwise convolution）操作先将输入特征图压缩，再经过深度卷积后，提取的特征会更少。所以mobileNetV2是先经过1x1的逐点卷积操作将特征图的通道进行扩张，丰富特征数量，进而提高精度。这一过程刚好和残差块的顺序颠倒，这也就是倒残差的由来：1x1(升维)–>3x3(dw conv+relu)–>1x1(降维+线性变换)。

结合上面对线性瓶颈和倒残差的理解࿰

最低0.47元/天 解锁文章
Android失眠夜
关注
  • 16
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
两个win32图像分类检测程序(mobilenet 和 mobilenet_v2)
02-12
win32图像分类检测程序,由《MobileNet-Caffe-master》中的模型改编而来，可以用于识别图像中一些物体动物名称等。
torch2trt：易于使用的PyTorch到TensorRT转换器
02-25
torch2trt是一个使用TensorRT Python API的PyTorch到TensorRT转换器。 转换器是 易于使用-通过单个函数调用torch2trt转换模块 易于扩展-用Python编写自己的层转换器，并在@tensorrt_converter注册 如果您发现问题，...
MobileNet教程：用TensorFlow搭建在手机上运行的图像分类器
热门推荐
jp_666的博客
08-01 1万+
作为卷积神经网络中的新成员，MobileNet有着很多令人惊艳的表现，今天我们就用数据集训练一个试试。 MobileNet具有以下酷炫的特点： 1. 它们非常非常小 2. 它们非常非常快 3. 它们非常非常准 4. 它们很容易调试 这些特点是非常重要的。 目前，很多移动端上的深度学习任务都是在云端完成的。当你想要让手机识别一张图片，程序会先把这张图片通过网
MobileNetV4实战：使用MobileNetV4实现图像分类任务（一）
最新发布
AI浩
06-04 1103
论文链接：https://arxiv.org/pdf/2404.10518MobileNetV4，作为新一代移动设备神经网络架构，凭借其创新的通用倒置瓶颈UIB块和Mobile MQA注意力块，实现了计算效率和运行速度的显著提升。该架构通过精炼的神经架构搜索NAS方法，创建了多个卓越性能的移动设备模型。新型知识蒸馏技术进一步提高了模型准确性，而Mobile MQA块相较于传统多头注意力，在移动加速器上实现了显著的推理加速。
mobilenetv2图像分类
weixin_38241876的博客
05-21 229
【代码】mobilenetv2图像分类。
使用MobileNetv2实现图像分类
weixin_45666880的博客
01-27 3376
简介 目前的神经网络模型层出不穷，其中在图像识别的领域不仅非常高效快速，而且准确率也非常高。但我们在提高准确率的道路上是永不止步的，比较矛盾的是在提高精确率的同时也会带来消耗，需要更高的计算资源，这对模型的应用是很大的门槛。本次分享小Mi给大家介绍一个神经网络模型Mobilenet_V2。该模型骨骼精奇，独特的网络结构设计可以减少训练过程中的计算次数和对内存的占用，下面我们一起探讨学习下。 MindSpore深度学习框架中的MobileNet_V2可以结合硬件感知神经网络架构搜索（NAS）和NetAda
MobileNetV3 实战：植物幼苗分类（pytorch）
AI浩
02-06 3865
文章目录摘要mobilenetv3简介数据增强Cutout和Mixup项目结构导入项目使用的库设置全局参数图像预处理与增强读取数据设置模型定义训练和验证函数测试 摘要 本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，演示如何使用pytorch版本的mobilenetv3图像分类模型实现分类任务。 通过本文你和学到： 1、如何从torchvision.models调用mobilenetv3模型？ 2、如何自定义数据集加载方式？ 3、如何使用Cutout数据增强？ 4、如何使用Mixup数据
图像分类实战：mobilenetv2从训练到TensorRT部署（pytorch）
02-18
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，演示如何使用pytorch版本的mobilenetv2图像分类模型实现分类任务。将训练的模型转为onnx，实现onnx的推理，然后再将onnx转为TensorRT，并实现...
TensorRT-使用TensorRT部署Pytorch版YOLOv4-通过Pytorch2onnx导出onnx模型转TRT部署
02-27
总结，本项目实战旨在展示如何利用TensorRT部署PyTorch的YOLOv4模型，通过PyTorch2onnx工具实现模型转换，再通过TensorRT进行性能优化。这一过程不仅提高了模型的推理速度，也简化了跨平台部署的复杂性，对于实际...
torch2trt:易于使用的PyTorch到TensorRT转换器
05-11
torch2trt是一个使用TensorRT Python API的PyTorch到TensorRT转换器。 转换器是 易于使用-使用单个函数调用torch2trt转换模块 易于扩展-用Python编写自己的层转换器@tensorrt_converter注册 如果您发现问题，请！ ...
DeepLabv3_MobileNetv2_PyTorch:MobileNetv2 + DeepLabv3的PyTorch实现
04-28
DeepLabv3_MobileNetv2 这是MobileNet v2网络的PyTorch实施，具有用于语义分割的DeepLab v3结构。 MobileNetv2的骨干来自纸面： DeepLabv3的段头来自纸面： 如果您对这些块有一些困惑，请参考这些文件，以获取有关...
MobileNet_V2_SSD网络的VOC预训练模型
01-12
MobileNet_V2_SSD网络的VOC预训练模型
MobileNet V2体系结构和预训练模型的PyTorch实现。-Python开发
05-25
MobileNetV2的PyTorch实现这是MobileNetV2架构的PyTorch实现，如本文中所述反向残差和线性瓶颈：用于分类，检测和分段的移动网络MobileNetV2的PyTorch实现这是本文中描述的MobileNetV2架构的PyTorch实现反向残差和线性瓶颈：用于分类，检测和分段的移动网络。 [NEW]添加代码以自动下载预先训练的砝码。 训练食谱最近，我找到了一个很好的训练环境：时期数：150学习率时间表：余弦学习率，初始lr = 0.05体重减轻：4e-5消除辍学您
mobilenet_v2_1.4_224
02-07
mobilenet_v2_1.4_224备份下载链接https://github.com/tensorflow/models/tree/master/research/slim/#Pretrained
Python-MobileNetV3的PyTorch实现提供预训练的模型
08-11
MobileNetV3的PyTorch实现，提供预训练的模型
轻量化神经网络之mobilenet v2 v3 ONNX 文件
05-10
轻量化神经网络之mobilenet v2 v3 ONNX 文件 用来学习网络结构
MobileNetV2简述（图像分类篇）
栋哥修炼日记
01-17 749
文章是对博主视频讲解的一些总结。 博主链接：https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.5509 1.预言 MobileNetV2来自2018年，出自Goole团队之手。相比于V1肯定更牛 准确率更高 模型更小 2.亮点 1.Inverted Residuals 倒残差结构 2.Linear Bottlenecks 2.1 倒残差结构 倒残差结构的区别 倒残差结构是否带有shortcut 条件： 当stride=1且输入特征矩阵的
深度学习项目-MobileNetV2水果识别模型
m0_51657509的博客
06-16 7373
DeepLearning深度学习项目，利用CNN和MobileNetV2搭建的水果识别模型。
import torch import torchvision from PIL.Image import Image from torchvision.models.detection import FasterRCNN from torchvision.models.detection.rpn import AnchorGenerator from torchvision.transforms import transforms # 加载预训练的分类模型 model = torchvision.models.mobilenet_v2(pretrained=True) backbone = model.backbone # 创建RPN（Region Proposal Network）锚点生成器 anchor_sizes = ((32,), (64,), (128,), (256,), (512,)) aspect_ratios = ((0.5, 1.0, 2.0),) * len(anchor_sizes) rpn_anchor_generator = AnchorGenerator(anchor_sizes, aspect_ratios) # 创建目标检测模型 model = FasterRCNN(backbone, num_classes=11, rpn_anchor_generator=rpn_anchor_generator) # 加载预训练的权重（可选） model.load_state_dict(torch.load("../models/light-model-2.pth")) # 对输入图像进行预处理 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225)), ]) # 加载图像 image = Image.open("../dataset/valid/Bacterial_spot/0afe3bbd-b18b-4c70-8fbd-072844e742a2___GCREC_Bact.Sp 3434.JPG") image = transform(image) image = image.unsqueeze(0) # 添加批次维度 # 检测目标 model.eval() with torch.no_grad(): predictions = model(image) # 处理预测结果 boxes = predictions[0]["boxes"] labels = predictions[0]["labels"] scores = predictions[0]["scores"] # 打印结果 for box, label, score in zip(boxes, labels, scores): print(f"Box: {box}, Label: {label}, Score: {score}") AttributeError: 'MobileNetV2' object has no attribute 'backbone'
06-10
这段代码中出现了`AttributeError: 'MobileNetV2' object has no attribute 'backbone'`错误的原因是`MobileNetV2`模型没有`backbone`属性。`backbone`通常是用于构建目标检测模型的特征提取器，而`MobileNetV2`本身就是一个分类模型，不包含用于目标检测的`backbone`属性。 如果您想要使用`MobileNetV2`作为目标检测模型的基础模型，可以尝试使用`SSD`(Single Shot MultiBox Detector)或者`SSDLite`(Lightweight SSD)等基于MobileNetV2的目标检测模型，而不是手动构建目标检测模型。 以下是使用`SSD`模型进行目标检测的示例代码： ``` import torch import torchvision from PIL.Image import Image from torchvision.models.detection import SSD from torchvision.transforms import transforms # 加载预训练的模型 model = torchvision.models.detection.ssd_mobilenet_v2(pretrained=True) # 加载图像 image = Image.open("../dataset/valid/Bacterial_spot/0afe3bbd-b18b-4c70-8fbd-072844e742a2___GCREC_Bact.Sp 3434.JPG") # 对输入图像进行预处理 transform = transforms.Compose([ transforms.Resize((300, 300)), transforms.ToTensor(), transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225)), ]) image = transform(image) image = image.unsqueeze(0) # 检测目标 model.eval() with torch.no_grad(): predictions = model(image) # 处理预测结果 boxes = predictions[0]["boxes"] labels = predictions[0]["labels"] scores = predictions[0]["scores"] # 打印结果 for box, label, score in zip(boxes, labels, scores): print(f"Box: {box}, Label: {label}, Score: {score}") ``` 注意，这里使用的是`detection.ssd_mobilenet_v2`而不是`models.mobilenet_v2`。另外，这里的`SSD`模型使用的是300x300的输入图像大小，需要进行相应的预处理。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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