基于PaddleClas的101种食品分类（含安卓部署）

最新推荐文章于 2024-05-30 23:21:17 发布
最新推荐文章于 2024-05-30 23:21:17 发布
阅读量637 收藏 3
点赞数
文章标签： 分类 android 人工智能
原文链接：https://aistudio.baidu.com/aistudio/projectdetail/4344470?channel=0&channelType=0&shared=1
版权

基于PaddleClas的101种食品分类，通过Paddle-Lite实现安卓部署

在这里插入图片描述

项目参考了@iterhui的“基于PaddleClas2.2的从零到落地安卓部署的奥特曼分类实战”

paddleclas官方文档：

https://paddleclas.readthedocs.io/zh_CN/latest/

配套安卓项目地址

https://github.com/yingchenxing/PaddleClas-based-Food-Classification

演示app下载

https://github.com/yingchenxing/PaddleClas-based-Food-Classification/releases/download/demo/app-debug.apk

效果展示

项目数据集介绍

来源：

https://data.vision.ee.ethz.ch/cvl/datasets_extra/food-101/

AI Studio：

https://aistudio.baidu.com/aistudio/datasetdetail/106502

我们引入了 101 个食物类别的具有挑战性的数据集，包含 101,000 张图像。对于每个类，提供 250 张人工审核的测试图像以及 750 张训练图像。训练图像没有被故意清理，因此仍然包含一定量的噪声。这主要以强烈的颜色和有时错误的标签的形式出现。所有图像都重新调整为最大边长为 512 像素。 在该数据集中，包含了生活中常见的各种食物类别的多张图像，分别为它们在不同环境和光照条件下的图像，帮助模型在训练后能适应各种环境下的识别需求，提高识别的准确率。

项目背景：

食品分类，旨在对图片中食品进行种类划分，对图像中的食品进行标识。在食品安全，个人营养科学摄入等领域有较高的使用价值。随着我国经济的不断发展，居民生活水平不断提高，越来越多的食品出现在人们的餐桌上，吃不饱的问题虽然被解决，但是营养饮食与食品安全越来越受到人们的关注。在目前的食品安全行业与营养行业中，对食品进行划分和分析消耗了大量的人力，而食品分类可以帮助营养规划或营养师们更好地对摄入进行分配。利用人工智能技术，对多来源，多场景的食品图像进行充分的训练，打造简洁，实用的模型与算法，对食品种类进行可靠快速的划分。

项目创新点：

对于食品分类来说，最大的特点是食品种类复杂，对特征的划分有更高的要求，同时还要避免不同环境光下的干扰。对于数据集来说，食品种类图片分布不均衡容易导致部分种类食品识别率较低， 本项目需要对食品图片进行分类，标注出最有可能的种类。同时，本项目还通过PaddleLite实现了在安卓端的部署。

运行环境

套件版本号
paddlepaddle2.3.1
PaddleLite2.11
PaddleClas2.4

安卓部署环境

Android Studio, 安卓手机（开启USB调试），下载到本地的官方demo

PaddleClas套件下载与环境准备

!git clone https://gitee.com/paddlepaddle/PaddleClas.git

%cd PaddleClas/
!pip install -r requirements.txt

# 解压数据集
%cd /home/aistudio/
!gzip -dfq /home/aistudio/data/data106502/food-101.tar.gz
!tar -xf /home/aistudio/data/data106502/food-101.tar

/home/aistudio

数据处理

将数据读取并打乱输出到train_list.txt，val_list.txt，按照4:1比例划分训练集和验证集。

import os
import random

Path = '/home/aistudio/food-101/images'
classes = os.listdir(Path)
classes=sorted(classes)
label=0
all_list=open("food-101/all_list.txt",'w')
train_list=open("food-101/train_list.txt",'w')
val_list=open("food-101/val_list.txt",'w')
for i in classes:
    a=os.listdir(Path+'/'+i)
    random.shuffle(a)
    flag=0
    for j in a:
        j=i+'/'+j+' '+str(label)
        all_list.write(str(j)+"\n")
        if flag<800:
            train_list.write(str(j)+"\n")
        else:
            val_list.write(str(j)+"\n")
        flag+=1
    label+=1


lines=[]
with open("food-101/train_list.txt", 'r') as infile:
    for line in infile:
        lines.append(line)
    random.shuffle(lines)

with open("food-101/train_list.txt", 'w') as infile:
    infile.truncate()
    for line in lines:
        infile.write(line) 


lines=[]
with open("food-101/val_list.txt", 'r') as infile:
    for line in infile:
        lines.append(line)
    random.shuffle(lines)
    
with open("food-101/val_list.txt", 'w') as infile:
    infile.truncate()
    for line in lines:
        infile.write(line)

添加类别映射文件

# 将准备好的label列表放到数据集文件夹中，再将数据集移动到指定目录
%cd /home/aistudio/
!mv food_label_list.txt food-101/
!mv food-101/ PaddleClas/dataset/

/home/aistudio

使用paddleclas进行训练

模型选择

在这里插入图片描述

虽然移动端的模型体积小，速度快，但是牺牲了一定的精度。所以我们在这个项目中选择了ResNet_Vd。ResNet_Vd是ppcls框架主推的模型，经过了大量精度和速度上的优化。

修改配置文件

PaddleClas/ppcls/configs/quick_start/ResNet50_vd.yaml

关于配置的相关文档

https://paddleclas.readthedocs.io/zh_CN/latest/tutorials/config.html

# global configs
Global:
  checkpoints: null
  pretrained_model: null
  output_dir: ./output/
  device: gpu
  save_interval: 5
  eval_during_train: True
  eval_interval: 5
  epochs: 20
  print_batch_step: 100
  use_visualdl: False
  # used for static mode and model export
  image_shape: [3, 224, 224]
  save_inference_dir: ./inference

# model architecture
Arch:
  name: ResNet50_vd 
  class_num: 101
 
# loss function config for traing/eval process
Loss:
  Train:
    - CELoss:
        weight: 1.0
  Eval:
    - CELoss:
        weight: 1.0


Optimizer:
  name: Momentum
  momentum: 0.9
  lr:
    name: Cosine
    learning_rate: 0.0125
    warmup_epoch: 5
  regularizer:
    name: 'L2'
    coeff: 0.00001


# data loader for train and eval
DataLoader:
  Train:
    dataset:
      name: ImageNetDataset
      image_root: ./dataset/food-101/images
      cls_label_path: ./dataset/food-101/train_list.txt
      transform_ops:
        - DecodeImage:
            to_rgb: True
            channel_first: False
        - RandCropImage:
            size: 224
        - RandFlipImage:
            flip_code: 1
        - NormalizeImage:
            scale: 1.0/255.0
            mean: [0.485, 0.456, 0.406]
            std: [0.229, 0.224, 0.225]
            order: ''

    sampler:
      name: DistributedBatchSampler
      batch_size: 256
      drop_last: False
      shuffle: True
    loader:
      num_workers: 4
      use_shared_memory: True

  Eval:
    dataset: 
      name: ImageNetDataset
      image_root: ./dataset/food-101/images
      cls_label_path: ./dataset/food-101/val_list.txt
      transform_ops:
        - DecodeImage:
            to_rgb: True
            channel_first: False
        - ResizeImage:
            resize_short: 256
        - CropImage:
            size: 224
        - NormalizeImage:
            scale: 1.0/255.0
            mean: [0.485, 0.456, 0.406]
            std: [0.229, 0.224, 0.225]
            order: ''
    sampler:
      name: DistributedBatchSampler
      batch_size: 64
      drop_last: False
      shuffle: False
    loader:
      num_workers: 4
      use_shared_memory: True

Infer:
  infer_imgs: dataset/food-101/images/apple_pie/1005649.jpg
  batch_size: 10
  transforms:
    - DecodeImage:
        to_rgb: True
        channel_first: False
    - ResizeImage:
        resize_short: 256
    - CropImage:
        size: 224
    - NormalizeImage:
        scale: 1.0/255.0
        mean: [0.485, 0.456, 0.406]
        std: [0.229, 0.224, 0.225]
        order: ''
    - ToCHWImage:
  PostProcess:
    name: Topk
    topk: 5
    class_id_map_file: ./dataset/food-101/food_label_list.txt

Metric:
  Train:
    - TopkAcc:
        topk: [1, 3]
  Eval:
    - TopkAcc:
        topk: [1, 3]

开始训练

!export CUDA_VISIBLE_DEVICES=0
%cd /home/aistudio/PaddleClas
!python tools/train.py \
    -c ./ppcls/configs/quick_start/ResNet50_vd.yaml

模型预测

%cd /home/aistudio/PaddleClas
!python3 tools/infer.py \
    -c ./ppcls/configs/quick_start/ResNet50_vd.yaml \
    -o Infer.infer_imgs=dataset/food-101/images/pizza/340814.jpg \
    -o Global.pretrained_model=output/ResNet50_vd/latest

输入图片：
在这里插入图片描述

预测结果：

‘class_ids’: [76, 71, 10, 97, 70], ‘scores’: [0.78302, 0.07978, 0.06082, 0.04327, 0.01048], ‘label_names’: [‘pizza’, ‘paella’, ‘bruschetta’, ‘takoyaki’, ‘pad_thai’]}]

预测76号概率最大，对应为pizza，也就是披萨的概率最大，预测准确

导出模型

!python3 tools/export_model.py \
    -c ppcls/configs/quick_start/ResNet50_vd.yaml \
    -o Global.pretrained_model=output/ResNet50_vd/latest

1. 安装paddlelite

!pip install paddlelite

2. 利用paddlelite将模型转为.nb文件

!paddle_lite_opt \
    --model_file=inference/inference.pdmodel \
    --param_file=inference/inference.pdiparams \
    --optimize_out=./inference/ResNet50_vd \
    --optimize_out_type=naive_buffer \
=./inference/ResNet50_vd \
    --optimize_out_type=naive_buffer \
    --valid_targets=arm

3. 下载.nb文件备用

路径 PaddleClas/inference/ResNet50_vd.nb

部署到安卓

1. 下载官方demo

https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo/image_classification_demo

解压后用Android Studio打开

更新gradle
在这里插入图片描述

2. 连接手机或模拟器

在这里插入图片描述

点击运行如果能看到下图则证明官方demo可用

3. 修改官方demo

3.1 在项目中的下列路径中新建文件夹ResNet50_vd

在这里插入图片描述

3.2 将之前导出的ResNet50_vd.nb改名为model.nb放到下列文件夹中

在这里插入图片描述

3.3 放入label标签文件
路径为PaddleClas/dataset/food-101/food_label_list.txt
直接下载，放在对应文件夹下即可

在这里插入图片描述

3.4 放入默认预测文件

在这里插入图片描述

3.5 修改对应配置

    <string name="MODEL_PATH_DEFAULT">models/ResNet50_vd</string>
    <string name="LABEL_PATH_DEFAULT">labels/food_label_list.txt</string>
    <string name="IMAGE_PATH_DEFAULT">images/french_fries.jpg</string>

在这里插入图片描述

4. 成功运行

从手机相册导入：

在这里插入图片描述

项目总结

  1. 模型对某些相似类型食物的识别准确度有待提高
  2. 安卓项目暂时找不到稳定的模拟器安装，只能直接用手机或其他安卓设备测试
  3. 调参：测试集和训练集的文件路径，分类数，图片处理大小，epoch

此文仅为搬运，原作链接：https://aistudio.baidu.com/aistudio/projectdetail/4344470?channel=0&channelType=0&shared=1

AI Studio
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习系列（六） -- K-means算法 （食物数据集）
gm0012的博客
12-03 3242
K-means是一种最流行的聚类算法 属于无监督学习 可以在数据集分为相似的组（簇），使得组内数据的相似度较高，组间之间的相似度较低 步骤： # 1 从样本中选择k个点作为初始簇中心 # 2 计算每个样本到各个簇中心的距离，将样本换分到距离最近的簇中心所对应的簇中 # 3 根据每个簇中所有样本，重新计算簇中心，并更新 # 4 重复步骤2 3 直到簇中心的位置变化小于指定的阈值或者达到最大迭代次数为 数据读取 import numpy as np import pandas as pd data = pd
数据集下载地址（转）以下内容转自https://baijiahao.baidu.com/s?id=1615853849218131902&wfr=spider&for=pc
weixin_45968656的博客
10-18 9448
以下内容转自https://baijiahao.baidu.com/s?id=1615853849218131902&wfr=spider&for=pc 图像分类领域 1）MNIST 经典的小型（28x28 像素）灰度手写数字数据集，开发于 20 世纪 90 年代，主要用于测试当时最复杂的模型；到了今日，MNIST 数据集更多被视作深度学习的基础教材。fast.ai版本的数据集舍弃了原始的特殊二进制格式，转而采用标准的 PNG 格式，以便在目前大多数代码库中作为正常的工作流使用；如果.
【食物识别】数据集
最新发布
m0_63073740的博客
05-30 763
【食物识别】数据集
[数据集][图像分类]11类食物分类数据集13296张11类别
FL1623863129的博客
05-19 338
类别名称:["haixian","jidan","mianbao","mianfan","miantiao","roulei","ruzhiping","shucai-shuiguo","tang","tiandian","youzhashipin"]重要说明：包含食物面包，乳制品，甜点，鸡蛋，油炸食品，肉类，面条/意大利面，米饭，海鲜，汤，蔬菜/水果。数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片。tiandian 图片数：2000。tang 图片数：2000。
基于ResNet-152模型的172种食物图像分类
m0_63642362的博客
03-06 3021
图像分类项目，使用ResNet网络结构。使用VireoFood-172数据集，本次项目重点在于数据集与数据集生成器的自定义，以此来使模型更加灵活也有助于模型快速收敛。
LARC DL笔记（三）：finetune googlenet on food-101 VS baseline
This is bill的专属博客
08-15 2698
0x00 objectfood101数据集使用Googlenet train好了与baseline比较0x01 有用信息（1）loss很低，但是accuracy一直在50%左右一般是什么原因 如果loss一直降低而你的validation accuracy不升高的话，就是overfit了 （2）现在foodai的accuracy有多高，用了多少数据 六七十，差不多每一类留了50张测试。其他都
基于PaddleClas的热轧钢带表面缺陷分类python源码+数据.zip
04-09
【资源说明】 1、该资源包括项目的全部源码，下载可以直接使用！ 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目，作为...基于PaddleClas的热轧钢带表面缺陷分类python源码+数据.zip
基于Python的飞桨图像分类套件PaddleClas设计源码
05-22
飞桨图像分类套件PaddleClas设计源码：该项目基于Python开发，包含414个文件，主要使用Python、Shell、C++和C语言。PaddleClas是飞桨为工业界和学术界所准备的一个图像分类任务的工具集，旨在帮助用户训练出更好的...
python基于paddleclas的pp-shitu技术实现的图片分类识别系统源码.zip
05-20
在这个"python基于paddleclas的pp-shitu技术实现的图片分类识别系统源码.zip"压缩包中，包含的是一个名为"image_classification-master"的项目，这显然是一个图像分类的实现。PP-Shitu是PaddlePaddle中的一个组件，...
The-Eye-Konws-the-Garbage:基于PaddleClas实现垃圾分类，并将其转换成PaddleHub进行服务端部署！
04-03
在当前的数字化时代，环保与智能技术的结合已经成为一种趋势，而垃圾分类是环保工作中不可或缺的一环。本项目名为"The-Eye-Konws-the-Garbage"，它利用了深度学习框架PaddleClas来实现垃圾分类，进而将模型转换为...
ResNet50 文艺复兴 | ViT 原作者让 ResNet50 精度达到82.8%，完美起飞
人工智能讲师分享前沿技术
05-22 1081
在计算机视觉方面，实现最先进性能的大型模型与实际应用中简单的模型之间的差距越来越大。在本文中，将解决这个问题，并显著地弥补这2种模型之间的差距。 在实证研究中，作者的目标不是一定要提出一种新的方法，而是努力确定一种稳健和有效的配置方案，使最先进的大模型在实践中能够得到应用。本文证明了在正确使用的情况下，知识蒸馏可以在不影响大模型性能的情况下减小它们的规模。作者还发现有某些隐式的设计选择可能会极大地影响蒸馏的有效性。 作者的主要贡献是明确地识别了这些设计选择。作者通过一项全面的实证研究来支持本文的发现，在
亚马逊食物正负样本数据集.rar
06-04
亚马逊食物正负样本数据集,正面样本将近10万条，负面样本将近8万条。可以用来做好评和差评的二分类
李宏毅机器学习2021HW3食物数据集
07-06
1、本资源为台大李宏毅深度学习课程作业数据集。 2、训练集内含课程所需数据集 3、提供下载便利
基于卷积神经网络的食物图像识别
08-03
基于卷积神经网络的食物图像识别，提供数据集下载，使用python、TensorFlow等等。
【百度飞桨Paddle】11类食品分类项目
u014798590的博客
04-21 2833
项目描述 训练一个简单的卷积神经网络，实现食物图片的分类。 数据集介绍 本次使用的数据集为food-11数据集，共有11类 Bread, Dairy product, Dessert, Egg, Fried food, Meat, Noodles/Pasta, Rice, Seafood, Soup, and Vegetable/Fruit. （面包，乳制品，甜点，鸡蛋，油炸食品，肉类，面条/意大利面，米饭，海鲜，汤，蔬菜/水果） Training set: 9866张 Validation set: 34
实践 | 基于卷积神经网络实现美食分类 |图像分类
jiangti_ng的博客
05-19 2262
文章目录前言数据集加载一、数据准备二、模型配置三、实例化&模型训练四、模型评估 前言 如何根据据图像的视觉内容为图像赋予一个语义类别是图像分类的目标，也是图像检索、图像内容分析和目标识别等问题的基础。 本实践旨在理解和掌握如何使用飞桨动态图搭建一个卷积神经网络。 数据集包含5000多张格式为jpg的三通道彩色图像，共5种食物类别 数据集加载 与宝石分类实践数据集加载方法基本相同 实践 | 基于全连接神经网络实现宝石分类 |图像预测与处理方法 import os import zipfile impo
【AI】常用的数据集 (dataset)
北境の守望者
09-07 1528
Backto Machine learning Index 数据比算法更重要. – By ? 如何查找 how to find the dataset we want Google Dataset Search 物体检测数据集 Object Dection 手势识别数据集 MSHand 人脸识别数据集 汽车相关数据集 KITTI 如何查找 how...
各类数据集整理（持续更新中ing）
热门推荐
Wanda && Aidem
03-27 1万+
转自：https://zhuanlan.zhihu.com/p/84088095 最近一次新增：2020.02.11 大家好，先给各位抱拳了！我是和鲸（科赛http://kesci.com）的运营一枚，今天给大家分享以下我们（通过网线）奔波世界各地搜集过来的数据集们！ 大家有想要的也可以在评论区许愿，我去求捞数据集的小哥哥小姐姐们帮帮忙 另外打一波硬广，以下所有数据集都可以在和鲸（科赛...
上述代码不是基于PaddleClas的
06-06
非常抱歉，我的回答有误。以下是一个基于PaddleClas的图像分类模型训练代码示例： ```python import paddle import paddle.vision.transforms as T from paddle.vision.datasets import ImageNet from paddle.static import InputSpec from paddle.metric import Accuracy from paddle.optimizer import Momentum from paddle.regularizer import L2Decay from paddleslim.nas.ofa import OFA # 定义数据增强 train_transforms = T.Compose([ T.Resize(256), T.RandomCrop(224), T.RandomHorizontalFlip(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transforms = T.Compose([ T.Resize(256), T.CenterCrop(224), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 加载训练数据集和测试数据集 train_dataset = ImageNet(mode='train', transform=train_transforms) val_dataset = ImageNet(mode='val', transform=val_transforms) # 定义模型 model = OFA('ofa_mbv3_d234_e346_k357_w1.0', pretrained=True) model = paddle.Model(model, inputs=[InputSpec([None, 3, 224, 224], 'float32', 'image')], labels=[InputSpec([None, 1], 'int64', 'label')]) # 定义优化器和学习率衰减策略 optimizer = Momentum(learning_rate=0.1, momentum=0.9, weight_decay=L2Decay(1e-4)) lr_scheduler = paddle.optimizer.lr.StepDecay(learning_rate=0.1, step_size=30, gamma=0.1) # 定义损失函数 criterion = paddle.nn.CrossEntropyLoss() # 开始训练 model.prepare(optimizer, criterion, Accuracy()) model.fit(train_dataset, val_dataset, epochs=90, batch_size=256, save_dir='ofa_mbv3_d234_e346_k357_w1.0', save_freq=5, log_freq=10, lr_scheduler=lr_scheduler) ``` 这个示例代码基于PaddleClas的OFA模块，可以使用不同的网络结构、参数数量和计算复杂度进行训练，以适应不同的硬件和应用场景。
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