使用PaddleCls进行图片分类模型训练与使用

于 2024-03-18 21:42:42 发布
阅读量599 收藏 7
点赞数 19
文章标签： 分类 机器学习 python
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/qq_31687737/article/details/136820136
版权

数据

数据集结构
├── train
│ ├── n01440764
│ │ ├── n01440764_10026.JPEG
│ │ ├── n01440764_10027.JPEG
├── train_list.txt
…
├── val
│ ├── ILSVRC2012_val_00000001.JPEG
│ ├── ILSVRC2012_val_00000002.JPEG
├── val_list.txt

训练

  1. 修改配置文件
    使用PPLCNET预训练模型，使用位于ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml为模型进行修改,设置参数如下：
#设置训练次数
Global:
  epochs: 1000

DataLoader:
  Train:
    dataset:
      name: ImageNetDataset
      image_root: ./dataset/fl/
      cls_label_path: ./dataset/fl/train_list.txt
    sampler:
      batch_size: 10 # 一次训练图片数量
    loader:
      num_workers: 6 #子进程数
  1. 开始训练命令
python3 -m paddle.distributed.launch --gpus="0,1,2,3"  tools/train.py  -c PPLCNet/PPLCNet_x1_0.yaml

测试

python3 tools/eval.py  -c PPLCNet/PPLCNet_x1_0.yaml  -o Global.pretrained_model=output/PPLCNet_x1_0/best_model

部署

  1. 导出模型
python3 tools/export_model.py PPLCNet/PPLCNet_x1_0.yaml -o Global.pretrained_model=output/PPLCNet_x1_0/best_model -o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_infer
  1. 基于代码的模型使用
from paddleclas import PaddleClas
clas = PaddleClas(inference_model_dir='deploy/models/PPLCNet_x1_0_infer')
infer_imgs='docs/images/deployment/whl_demo.jpg'
result=clas.predict(infer_imgs)
print(next(result))
qq_31687737
关注
  • 19
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
could not execute
11-07
could not execute:bad executable format(win32 error 193) 下了一个实现MD5的代码,编译时没有错误,但是执行的时候却提示:could not execute:bad executable format(win32 error 193)
快速上手飞桨PaddleClas图像分类库
uflexnihao的博客
03-10 3007
PaddleClas是百度为工业界和学术界所准备的一个图像分类工具集，使用此工具包便可以简单实现高精度分类任务。 本文通过在AIStudio平台建立一个实践项目，来演示PaddleClas的使用。本演示使用的数据集为公开数据集Oxford102FlowersDataset。 一、AIStudio平台建立空项目 首先登录百度AI Studio，创建项目，网址为：https://aistudio.baidu.com/aistudio/projectoverview/public 点击【创建项目...
PaddleClas
weixin_46604911的博客
12-30 3648
PaddleClas 主要代码和目录结构如下 benchmark: 文件夹下存放了一些 shell 脚本，主要是为了测试 PaddleClas 中不同模型的速度指标，如单卡训练速度指标、多卡训练速度指标等。 dataset：文件夹下存放数据集和用于处理数据集的脚本。脚本负责将数据集处理为适合 Dataloader 处理的格式。 deploy：部署核心代码，文件夹存放的是部署工具，支持 python/cpp inference、Hub Serveing、Paddle Lite、Slim 离线量化等多..
【PaddleClas】分类数据集的制作及模型训练与部署-Windows
私はいつも好きです樱岛麻衣的博客
10-26 2206
一：环境安装 1：首先使用Anaconda创建一个虚拟环境PaddleCls，如下图所示其他环境也可以按照同样方法创建使用。 2：使用命令激活环境 conda activate PaddleCls（1所示），从Github下载PaddleClas, cmd切换到下载路径，输入命令 pip install -r requirments.txt 安装所需依赖（2所示）。如下图所示。 3：安装之后输入 conda list 查看安装情况。可参考链接安装说明 二：数据集的制作 1：首...
PaddleClas分类套件源码解析（一）
sidpupy的博客
12-09 2930
项目简介 飞桨图像分类套件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，助力使用者训练出更好的视觉模型和应用落地。本文将对套件的代码进行全面解析，帮助开发者了解其结构组成和运行机制，并通过实际案例，详细解读PaddleClas的运行流程，助力开发者全面、深度、高效地使用套件开发项目。 一、PaddleClas套件的整体文件布局解析 PaddleClas 的主要文件布局整理如下图： configs 文件夹下存放训练脚本和验证脚本的yaml配置文件，文件按模型类别存放，quic
PaddleClas的使用教程
伟子男的专栏
09-09 5416
一、环境搭建 环境说明： 运行PaddleClas需要PaddlePaddle 2.1.2或更高版本。可以参考下面的步骤安装PaddlePaddle。 环境要求 python 3.x cuda >= 10.1 (如果使用paddlepaddle-gpu) cudnn >= 7.6.4 (如果使用paddlepaddle-gpu) nccl >= 2.1.2 (如果使用分布式训练/评估) gcc >= 8.2 目录 一、环境搭建 环境说明： 环境要求 1.1 安装P
『paddle』paddleclas 学习笔记：模型推理
libo-coder
07-08 2764
基于Python预测引擎推理一、训练模型转 inference 模型1.1 特征提取模型转 inference 模型1.2 分类模型转 inference 模型二、主体检测模型推理三、特征提取模型推理四、主体检测、特征提取和向量检索串联五、图像分类模型推理 inference 模型（paddle.jit.save保存的模型） 一般是模型训练，把模型结构和模型参数保存在文件中的固化模型，多用于预测部署场景。 训练过程中保存的模型是 checkpoints 模型，保存的只有模型的参数，多用于恢复训练等。 与
【PaddleClas】手把手让你训练自己的人脸识别模型
m0_63642362的博客
10-08 2050
人脸识别网络可以分为三个部分，检测器，仿射变换，识别器。这个项目是识别器的训练，我使用的了PaddleClas中的AdaFace网络作为识别器，在项目中演示了该网络训练过程。
pp-vehicle简介
左手coding，右手cooking
11-03 1365
pp-vehicle
PaddleClas-图像分类中的常用移动端系列模型
Hello World
06-06 1242
简介 这里主要介绍PaddleClas中已经开源的常用移动端系列模型，PaddleClas的github repo：https://github.com/PaddlePaddle/PaddleClas。 PaddleClas中包含了ShuffleNetV2以及MobileNet等移动端系列模型。 MobileNet系列 在MobileNetV1中，主要是使用了深度可分离卷积去减少计算量，提升精度；在V2中，则是引入了线性瓶颈块以及逆残差模块，防止网络中特征的退化；MolbileNetV3中，也是使用了大
PaddleClas-图像分类中的常用服务器端系列模型
Hello World
06-06 1181
简介 这里主要介绍PaddleClas中已经开源的常用系列模型，PaddleClas的github repo：https://github.com/PaddlePaddle/PaddleClas。 PaddleClas中包含了ResNet、HRNet、Inception、Res2Net等系列模型，这篇博客主要是介绍其主要系列模型。 AlexNet、VGG这些网络其实都属于十分经典的网络，但是由于这些网络最近用的已经越来越少了，因此在这里也没有进行展开。 ResNet系列 之前的深度神经网络，比如Ale
基于PaddleX的化妆品识别
小雷和他的朋友们
06-10 1724
飞桨全流程开发工具-PaddleX PaddleX是飞桨全流程开发工具，集飞桨核心框架、模型库、工具及组件等深度学习开发所需全部能力于一身，打通从数据接入到推理部署的深度学习开发全流程，简化各环节串联工作，大幅提升开发效率。 PaddleX提供API和可视化界面Demo两种使用模式，简明易懂的Python API，方便用户根据实际生产需求直接调用或二次开发，为开发者提供飞桨全流程开发的最佳实践，用户通过简单集成即可生产所在行业的专属AI工具。 PaddleX具备以下特点： 全流程打通：打通从数据接入到推
Windows：如何使用PaddleClas做一个完整的项目(一）
qq_38758774的博客
03-21 5275
PaddleClas简介： 飞桨图像分类套件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，助力使用者训练出更好的视觉模型和应用落地。 项目链接：Windows：如何使用PaddleClas做一个完整的项目(一） 一、环境搭建 Windows搭建环境请查看文章：Windows-paddle-深度学习环境搭建 1.1 PaddleClas环境安装 · 通过pip install paddleclas安装paddleclas whl包 包括ResNet、HRNet、ResNeSt、M
第三部分PaddleX模型集_3.1 图像分类
我是天才很好
07-08 1451
文章目录ResNet50类train 训练接口evaluate 评估接口predict 预测接口其它分类器类ResNet18ResNet34ResNet50ResNet50_vdResNet50_vd_ssldResNet101ResNet101_vdResNet101_vd_ssldDarkNet53MobileNetV1MobileNetV2MobileNetV3_smallMobileNetV3_small_ssldMobileNetV3_largeMobileNetV3_large_ssldXcep
第一部分PaddleX数据处理_1.1 图像分类-cls.transforms
我是天才很好
07-01 2445
对图像分类任务的数据进行操作。可以利用Compose类将图像预处理/增强操作进行组合。 Compose类 paddlex.cls.transforms.Compose(transforms) 根据数据预处理/增强算子对输入数据进行操作。 使用示例 参数 transforms (list): 数据预处理/数据增强列表。 1. RandomCrop类 随机裁剪 paddlex.cls.transforms.RandomCrop(crop_size=224, lower_scale=0.08, lower
『paddle』paddleclas 学习笔记：图像分类简单实现
libo-coder
07-07 1346
目录一、数据和模型准备1.1 数据准备1.1.1 准备CIFAR100二、模型训练2.1 单标签训练2.1.1 零基础训练：不加载预训练模型的训练2.1.2 迁移学习三、数据增广3.1 数据增广的尝试 — Mixup四、知识蒸馏五、模型评估与推理5.1 单标签分类模型评估与推理5.1.1 单标签分类模型评估。5.1.2 单标签分类模型预测5.1.3 单标签分类使用 inference 模型进行模型推理 一、数据和模型准备 1.1 数据准备 进入 PaddleClas 目录。cd path_to_Padd
paddlepaddle使用paddleclas进行数据增强（只有图像分类相关的）
ccutyear的博客
09-23 4283
能看到这篇博客的同学相信不会不知道paddlepaddle，因此就不像别人写的博文那样对paddlepaddle做普及。 paddleclas的官方文档：https://paddleclas.readthedocs.io/zh_CN/latest/tutorials/ 之前使用paddleapddle时也使用过数据增强。但是，当时参考的官网上的一个公开项目：https://aistudio.baidu.com/aistudio/projectdetail/474524...
PaddleCls加载预训练模型
最新发布
07-15
在 PaddleCls 中加载预训练模型可以通过以下步骤实现： 1. 安装 PaddlePaddle 和 PaddleCls：首先需要安装 PaddlePaddle 深度学习框架和 PaddleCls 工具包。你可以通过官方网站或者使用 pip 命令来安装。 2. 下载预训练模型权重：从 PaddleCls 的模型库中选择并下载你想要使用的预训练模型的权重文件。你可以在官方文档或者 PaddleCls 的 GitHub 仓库中找到相应的权重文件。 3. 创建模型并加载权重：在 Python 代码中，首先导入相关的库和模块。然后，创建对应的模型，并使用 `paddle.Model` 类加载预训练模型的权重。 ```python import paddle import paddle.vision as vision # 创建模型 model = vision.models.resnet50(pretrained=False) # 加载预训练模型权重 model_state_dict = paddle.load("/path/to/pretrained_model.pdparams") model.set_state_dict(model_state_dict) ``` 注意，上述代码中的 `"/path/to/pretrained_model.pdparams"` 需要替换为你下载的预训练模型权重文件的路径。 4. 使用模型进行推理：加载预训练模型后，你可以使用该模型进行图像分类、目标检测或其他任务的推理。 ```python import paddle import paddle.vision.transforms as transforms # 预处理图像 transform = transforms.Compose([ transforms.Resize(size=(224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) image = transform(image) # image 为输入的图像数据 # 使用模型进行推理 logits = model(image.unsqueeze(0)) # unsqueeze(0) 将输入的图像数据扩展为 batch 维度 ``` 以上是加载预训练模型的一般步骤。具体的模型加载方法和预处理步骤可能因不同的模型和任务而有所不同，请参考 PaddleCls 的官方文档或示例代码以获得更详细的信息和使用方法。

“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