Resnet50进行迁移学习实现图片二分类—portch

Resnet50进行迁移学习实现图片二分类

内容简介

本文使用预训练的Resnet50网络对皮肤病图片进行二分类，基于portch框架。

• 本文代码
• 参考了一个图片多分类的项目:项目地址。

数据集说明

数据集存放目录为： used_dataset , 共200张图片，标签为：benign(良性）、malignant(患病)。

• 数据集划分如下：

数据集类型	benign	malignant	totall
train	64	64	128
val	16	16	32
test	20	20	40

代码目录介绍

1. args.py 存放训练和测试所用的各种参数。
   –mode字段表示运行模式：train or test.
   –model_path字段是训练模型的保存路径。
   其余字段都有默认值。
2. create_dataset.py 该脚本是用来读json中的数据的，可以忽略。
3. data_gen.py 该脚本实现划分数据集以及数据增强和数据加载。
4. main.py 包含训练、评估和测试。
5. transform.py 实现图片增强。
6. utils.py 存放一些工具函数。
7. models/Res.py 是重写的ResNet各种类型的网络。
8. checkpoints 保存模型

运行命令

# 训练模型
python main.py --mode=train
# 测试模型
python main.py --mode=test --model_path='训练好的模型文件路径'   

main.py 脚本介绍

main()函数 实现模型的训练和评估

• step1: 加载数据

# data
    transformations = get_transforms(input_size=args.image_size,test_size=args.image_size)
    train_set = data_gen.Dataset(root=args.train_txt_path,transform=transformations['val_train'])
    train_loader = data.DataLoader(train_set,batch_size=args.batch_size,shuffle=True)

    val_set = data_gen.ValDataset(root=args.val_txt_path,transform=transformations['val_test'])
    val_loader = data.DataLoader(val_set,batch_size=args.batch_size,shuffle=False)

• step2: 构建模型

model = make_model(args)
    if use_cuda:
        model.cuda()
    
    # define loss function and optimizer
    if use_cuda:
        criterion = nn.CrossEntropyLoss().cuda()
    else:
        criterion = nn.CrossEntropyLoss()
	
    optimizer = get_optimizer(model,args)
    scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.2, patience=5, verbose=