前言
对内容的分类,有时候不仅需要使用到文本数据,也需要使用到图像数据,将两者联合起来对内容的进行分类。这时候,要是有个工具,能让你快速训练图像分类模型,简直不要太爽,paddlex就是这样一款神器神器。
一、环境依赖
paddlepaddle-gpu或paddlepaddle(版本大于或等于1.8.1)
pip install cython
pip install pycocotools
pip install paddlex==1.3.11
二、使用步骤
1.准备数据
只需要将不同类别的图片放在对应的文件夹内就好了,像这样:
我这里两个类别,分别是live和technology。
里面就是对应的图片
注意: 不能放.gif的图片,会报错
2.划分数据集
命令行进到train_data所在的同级路径中执行:
paddlex --split_dataset --format ImageNet --dataset_dir train_data --val_value 0.2 --test_value 0.1
执行结果:
3.训练
就几十行代码,真的方便,只需要简单设置训练数据路径,模型保存路径就可以了,请看:
# 设置使用0号GPU卡(如无GPU,执行此代码后会使用CPU训练模型)
import os
import paddlex as pdx
from paddlex.cls import transforms
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
def train():
train_transforms = transforms.Compose([
transforms.RandomCrop(crop_size=224),
transforms.RandomHorizontalFlip(),
transforms.Normalize()
])
eval_transforms = transforms.Compose([
transforms.ResizeByShort(short_size=256),
transforms.CenterCrop(crop_size=224),
transforms.Normalize()
])
train_dataset = pdx.datasets.ImageNet(
data_dir='train_data',
file_list='train_data/train_list.txt',
label_list='train_data/labels.txt',
transforms=train_transforms,
shuffle=True)
eval_dataset = pdx.datasets.ImageNet(data_dir='train_data',
file_list='train_data/val_list.txt',
label_list='train_data/labels.txt',
shuffle=True,
transforms=eval_transforms)
num_classes = len(train_dataset.labels)
model = pdx.cls.MobileNetV3_small_ssld(num_classes=num_classes)
model.train(num_epochs=20,
train_dataset=train_dataset,
train_batch_size=32,
eval_dataset=eval_dataset,
lr_decay_epochs=[4, 6, 8, 12, 16, 20],
save_dir='output/mobilenetv3_small_ssld',
use_vdl=True)
训练完成后生成如下文件:
4.预测
import numpy as np
import paddlex as pdx
from PIL import Image
from paddlex.cls import transforms
def test():
predict_transforms = transforms.Compose([
transforms.RandomCrop(crop_size=224),
transforms.RandomHorizontalFlip(),
transforms.Normalize()
])
img_path = '0a8d940e2239406ea48a5712edd4ec0b.jpg'
img = Image.open(img_path)
img = img.convert("RGB")
img_cv = np.array(img)
model = pdx.load_model('output/mobilenetv3_small_ssld/best_model')
result = model.predict(img_cv)
# result = model.predict(img_path) 这样也可以
print(result)
也可以直接给model.predict
传图片路径,不过这样更慢,可以自己尝试一下。
总结
paddlex确实方便,很容易上手,效果也不错,我这二分类准确率达到90%+
还可以使用其他很多预训练的模型,有条件的同学可以尝试一下其他模型