点击上方蓝字关注我们
微信公众号:OpenCV学堂
关注获取更多计算机视觉与深度学习知识
引言 ·
大家好,我又又好久没有更新这个系列了,主要原因归根结底只有一个懒,所谓 一勤天下无难事,百思心中有良谋。以后还争取每周更新,这次隔了一周没有更新,对不起大家了。今天给大家更新的是如何基于torchvision自带的模型完成图像分类任务的迁移学习,前面我们已经完成了对对象检测任务的迁移学习,这里补上针对图像分类任务的迁移学习,官方的文档比较啰嗦,看了之后其实可操作性很低,特别是对于初学者,估计看了之后就发懵的那种。本人重新改写了一波,代码简洁易懂,然后把训练结果导出ONNX,使用OpenCV DNN调用部署,非常实用!废话不多说了,少吹水!
数据集
东北大学热轧带钢表面缺陷数据集,该数据集是东北大学的宋克臣等几位老师收集的,一共包含了三类数据。这里使用(NEU surface defect database),数据集收集了夹杂、划痕、压入氧化皮、裂纹、麻点和斑块总计6种缺陷,每种缺陷300张,图像尺寸为200×200。部分示例如下:
基于该数据集,实现pytorch数据类,完成数据集的加载与预处理的代码如下:
class SurfaceDefectDataset(Dataset):
怎么下载该数据集,后台回复"NEU"关键字即可获取下载地址
模型使用
Pytorchvison支持多种图像分类模型,这里我们选择残差网络模型作为迁移学习的基础模型,对输出层(最后一层)改为六个类别,其它特征层选择在训练时候微调参数。常见的ResNet网络模型如下:
基于ResNet18完成网络模型修改,最终的模型实现代码如下:
class SurfaceDefectResNet(torch.nn.Module):
模型训练与测试
模型训练跟前面讲的一些图像分类模型训练方式并无不同,基于交叉熵损失,完成训练,每个批次4张图像或者8张图,训练15个epoch之后,保存模型。然后使用模型测试35张测试图像,发现有两张预测错误,其余均正确。训练模型的代码如下:
# 训练模型的次数
转为为ONNX模式,OpenCV DNN部署调用,代码如下:
"surface_defect_resnet18.onnx")
预测运行结果如下:
运行结果与pytorch调用模型运行结果保持一致。由于这个是一个专栏,很多代码在以前的文章中已经给出了,这里就没有重复贴代码!
福利:免费送30课时OpenCV4 C++入门课程
扫码即可开始观看学习
因依老宿发心初
半学修心半读书
推荐阅读
OpenCV4系统化学习路线图-视频版本!
Tensorflow + OpenCV4 安全帽检测模型训练与推理
汇总 | OpenCV DNN模块中支持的分类网络
OpenCV中支持的人脸检测方法整理与汇总
详解ENet | CPU可以实时的道路分割网络
从Pytorch 的ONNX到OpenVINO中IR中间层
OpenCV 基于Inception模型图像分类
OpenCV4.4 + YOLOv4 真的可以运行了…..