26备战秋招day4——基于resnet的voc数据集图像分类

于 2024-10-08 10:21:44 发布
阅读量405 收藏 7
点赞数 9
分类专栏： 26秋招 文章标签： 分类 人工智能 算法 计算机视觉
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/weixin_43784706/article/details/142752631
版权

基于 ResNet 的 Pascal VOC 图像分类：从理论到实践

在深度学习的应用中，图像分类任务一直是计算机视觉的重要研究方向。Pascal VOC 数据集作为一个多标签图像分类的经典数据集，提供了丰富的标注和多样化的物体类别。ResNet（残差网络）作为一种深度学习模型架构，通过其创新的残差学习解决了深层网络训练中的难题。本文将详细介绍如何基于 ResNet 使用 PyTorch 实现 Pascal VOC 数据集的图像分类任务，并深入解析 ResNet-50 的网络架构。

1. 图像分类简介

图像分类是指将输入图像分配到一个或多个类别标签中的任务。传统的图像分类方法通常依赖于手工设计的特征提取器，而深度学习尤其是卷积神经网络（CNN）的出现使得模型能够自动从数据中学习特征，大幅度提升了分类的精度。深度学习中的模型架构不断进化，其中 ResNet 是解决深层网络训练问题的一大突破。

Pascal VOC 是一个经典的多标签分类数据集，包含 20 种类别。每张图片可以包含多个类别的目标，因此它比单标签分类问题（如 CIFAR-10）更具挑战性。

2. Pascal VOC 数据集简介
2.1 数据集介绍

Pascal VOC（Visual Object Classes Challenge）是计算机视觉中的一个多任务数据集，支持图像分类、目标检测、语义分割等多种任务。本文聚焦于图像分类任务，该任务中每张图片可以包含多个类别。Pascal VOC 数据集的图片分辨率较高，提供了丰富的标注，适合用于研究多标签分类任务。

2.2 数据集特点
  • 多样性：数据集中包含 20 种类别，涵盖动物、交通工具、家具等多种物体。
  • 多标签分类：每张图片可能同时包含多个类别的物体，这是相较于单标签分类任务更具挑战的地方。
  • 高分辨率图像：Pascal VOC 中的图片分辨率比 CIFAR-10 更高，图像细节更多。
3. ResNet-50 网络架构详解

ResNet（残差网络）由何凯明等人于 2015 年提出，它的核心思想是通过引入 残差学习（Residual Learning） 来缓解深层神经网络中的梯度消失和梯度爆炸问题。通过 跳跃连接（Skip Connection），ResNet 能够在保持深层网络的同时，确保信息在网络中不丢失，从而使得深层网络能够更好地训练。

3.1 ResNet 的残差学习

在传统的神经网络中，随着网络深度的增加，模型的训练变得越来越困难，出现梯度消失和梯度爆炸问题。ResNet 的核心创新是 残差块（Residual Block），通过残差块的跳跃连接，模型可以学习输入与输出的残差（增量），而不是直接学习输入到输出的映射。

残差块的公式如下：

[ y = F(x) + x ]

其中：

  • ( x ) 为输入，
  • ( F(x) ) 为卷积层的输出（即残差），
  • ( y ) 为最终输出。

这种结构可以让模型有效地训练更深的网络，因为它能够直接传递梯度，减轻梯度消失问题。

3.2 ResNet-50 网络架构详细解析

ResNet-50 是 ResNet 的一个典型架构，它总共包含 50 层，具体结构如下：

  1. 输入卷积层：

    • 输入图片首先经过一个 7x7 大卷积核（步幅 2），输出 64 通道的特征图。
    • 随后通过一个 3x3 最大池化层（步幅 2）进行下采样。

    输出形状：[Batch, 64, H/4, W/4]

  2. Stage 1（第一个残差块组）：

    • 通过 3 个残差块，每个残差块内部包含 3 个卷积层：
      • 1x1 卷积：将输入通道数从 64 调整到 256。
      • 3x3 卷积：进行特征提取。
      • 1x1 卷积：恢复通道数到 256。
    • 跳跃连接：为了保证输入输出维度一致，采用 1x1 卷积调整输入通道数。

    输出形状：[Batch, 256, H/4, W/4]

  3. Stage 2（第二个残差块组）：

    • 通过 4 个残差块，结构与 Stage 1 相同，但输入通道数从 256 提升到 512：
      • 1x1 卷积：将输入通道数从 256 提升到 512。
      • 3x3 卷积：进行进一步的特征提取。
      • 1x1 卷积：将输出通道数恢复到 512。
    • 跳跃连接：使用 1x1 卷积调整输入的通道数。

    输出形状：[Batch, 512, H/8, W/8]

  4. Stage 3（第三个残差块组）：

    • 通过 6 个残差块，输入通道数从 512 提升到 1024：
      • 1x1 卷积：将输入通道数从 512 提升到 1024。
      • 3x3 卷积：进一步提取高级特征。
      • 1x1 卷积：将输出通道数恢复到 1024。
    • 跳跃连接：调整输入的通道数。

    输出形状：[Batch, 1024, H/16, W/16]

  5. Stage 4（第四个残差块组）：

    • 通过 3 个残差块，输入通道数从 1024 提升到 2048：
      • 1x1 卷积：将输入通道数从 1024 提升到 2048。
      • 3x3 卷积：提取更高层次的特征。
      • 1x1 卷积：将输出通道数恢复到 2048。
    • 跳跃连接：调整输入通道数。

    输出形状：[Batch, 2048, H/32, W/32]

  6. 全局平均池化层：

    • 经过上述的卷积层后，特征图被送入一个全局平均池化层，将每个通道的特征图缩小为 1x1。

    输出形状：[Batch, 2048, 1, 1]

  7. 全连接层：

    • 最终，通过一个全连接层将特征映射为输出类别。在 Pascal VOC 分类任务中，输出的类别数量为 20（即 20 个物体类别）。
4. 基于 ResNet-50 实现 Pascal VOC 图像分类

接下来，我们将使用 PyTorch 基于 ResNet-50 实现 Pascal VOC 的多标签分类任务。该任务处理多标签分类问题，即每张图片可能包含多个类别的物体。

4.1 环境配置

首先，确保安装了 PyTorch 和其他相关依赖库：

pip install torch torchvision
4.2 代码实现

以下是完整的代码实现，涵盖了数据预处理、模型构建、训练和评估等内容。

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
import torchvision.models as models
from torchvision.datasets import VOCDetection
from torch.utils.data import DataLoader

# Pascal VOC 类别名称列表，用于将标签转换为 one-hot 编码
VOC_CLASSES = ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus',
               'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse',
               'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor']

# 设备配置
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 数据增强与预处理
transform = transforms.Compose([
    transforms.Resize((224, 224)),  # 将图像调整为统一尺寸
    transforms.ToTensor(),  # 转换为张量
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 归一化
])

# 自定义标签提

取函数，将目标标签转换为 one-hot 编码格式
def extract_labels(targets):
    labels = torch.zeros(len(VOC_CLASSES))  # 创建全为0的one-hot向量
    objects = targets['annotation']['object']
    if isinstance(objects, dict):  # 如果只有一个物体是字典格式，需处理成列表
        objects = [objects]
    for obj in objects:
        label_idx = VOC_CLASSES.index(obj['name'])  # 获取类别的索引
        labels[label_idx] = 1  # 设置one-hot向量对应位置为1
    return labels

# 自定义 collate_fn 函数，用于批处理数据时合并标签
def custom_collate_fn(batch):
    images = [item[0] for item in batch]  # 直接提取图像
    labels = [extract_labels(item[1]) for item in batch]  # 提取并处理标签
    images = torch.stack(images, dim=0)  # 堆叠图像
    labels = torch.stack(labels, dim=0)  # 堆叠标签
    return images, labels

# 加载 Pascal VOC 数据集
data_dir = "./data/VOCdevkit"
trainset = VOCDetection(root=data_dir, year='2007', image_set='train', download=True, transform=transform)
testset = VOCDetection(root=data_dir, year='2007', image_set='val', download=True, transform=transform)

# 创建 DataLoader，使用自定义的 collate_fn
trainloader = DataLoader(trainset, batch_size=32, shuffle=True, num_workers=4, collate_fn=custom_collate_fn)
testloader = DataLoader(testset, batch_size=32, shuffle=False, num_workers=4, collate_fn=custom_collate_fn)

# 加载预训练的 ResNet-50 模型并调整最后的全连接层
model = models.resnet50(pretrained=True)
model.fc = nn.Linear(model.fc.in_features, len(VOC_CLASSES))  # 修改最后一层为20个类别

# 将模型移到设备（GPU或CPU）
model = model.to(device)

# 定义损失函数和优化器
criterion = nn.BCEWithLogitsLoss()  # 多标签分类的损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 模型训练
for epoch in range(10):  # 训练10个周期
    model.train()
    running_loss = 0.0
    for inputs, labels in trainloader:
        inputs, labels = inputs.to(device), labels.to(device)
        
        optimizer.zero_grad()  # 梯度清零
        outputs = model(inputs)  # 前向传播
        loss = criterion(outputs, labels)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 优化器更新
        
        running_loss += loss.item()
    
    print(f"Epoch {epoch+1}, Loss: {running_loss / len(trainloader)}")

# 模型评估
model.eval()
correct = 0
total = 0
with torch.no_grad():
    for inputs, labels in testloader:
        inputs, labels = inputs.to(device), labels.to(device)
        outputs = model(inputs)
        predicted = (torch.sigmoid(outputs) > 0.5).float()  # 阈值0.5判断多标签
        correct += (predicted == labels).sum().item()
        total += labels.numel()  # 总标签数

    accuracy = correct / total
    print(f'Accuracy: {accuracy:.4f}')

# 保存模型
torch.save(model.state_dict(), 'resnet_voc.pth')
4.3 代码说明
  • 数据预处理：使用 Resize 统一调整图片大小，并通过自定义函数处理标签，将它们转换为 one-hot 编码。
  • 模型构建：加载预训练的 ResNet-50 模型，并根据 Pascal VOC 数据集的 20 个类别调整输出层。
  • 训练与评估：使用 BCEWithLogitsLoss 进行多标签分类训练，并在测试集上进行模型评估，计算分类准确率。
5. 总结

本文详细介绍了 ResNet-50 网络的结构，并基于 Pascal VOC 数据集实现了图像分类任务。通过 ResNet 的残差学习机制，我们能够有效解决深层网络中的梯度消失问题，并在多标签分类任务中取得良好的性能。希望通过本文的介绍，您对 ResNet 的工作原理以及如何在多标签分类任务中使用它有了更深入的理解。

如意鼠
关注
专栏目录
Keras深度学习实战——基于ResNet模型实现性别分类
盼小辉丶的博客
07-11 5203
通常而言，神经网络越深，其模型性能就越好。但随着网络层数的增加，梯度消失的问题也开始显现，网络中的梯度会变得很小，同时网络性能也会下降。深度残差网络 (ResNet) 的提出就是为了解决上述问题。通过使用跳跃连接，使网络具备了一定程度的深度自适应能力。本文首先介绍了 ResNet 的核心思想和网络架构，然后利用预训练的 ResNet50 进行性别分类实战。......
基于Resnet的医学数据集分类实战.zip
01-18
在本实践项目中，我们将深入探讨如何利用ResNet模型对医学图像进行分类。ResNet（残差网络）是深度学习领域中的一个里程碑式创新，尤其在处理计算机视觉任务时表现出色，如图像分类、图像分割等。这个压缩包包含了一...
（新手向）keras resnet 训练自己的数据集 图像分类
SugerOO的博客
08-23 2万+
使用 keras 中的 resnet 模型来进行图像分类其实很简单，比较麻烦的问题在于处理数据集的部分。这里先把大概的框架讲一下，最后再说数据集的处理。 导入各种python库 首先要导入各种库 import os,sys import numpy as np import scipy from scipy import ndimage import tensorflow as tf import...
猿创征文｜深度学习基于ResNet18网络完成图像分类
热门推荐
君莫笑的博客
09-04 3万+
CIFAR-10数据集包含了10种不同的类别、共60,000张图像，其中每个类别的图像都是6000张，图像大小均为32×3232×32像素。
[ 图像分类 ] 经典网络模型4——ResNet 详解与复现
A_John 的博客
04-12 1万+
[ 图像分类 ] 经典网络模型4——ResNet 详解与复现 1、Residual Network 2、残差网络 3、Residual Block 4、ResNet50 详解 5、ResNet50 复现 6、ResNet50 结构框图 Residual Network 简称 ResNet (残差网络)，何凯明团队于2015年提出的一种网络； 在 ImageNet 比赛 classification 任务上获得第一名； 目前在检测，分割，识别等领域里得到了广泛的应用；...
深度学习基于Resnet18的图像多分类--训练自己的数据集(超详细 含源码)
明年夏天你还在吗？
06-22 1万+
深度学习基于Resnet18的图像多分类--训练自己的数据集(超详细 含源码)
神经网络与深度学习实验day12-基于ResNet18完成cifar-10图像分类任务
ABU366的博客
11-09 2716
神经网络与深度学习实验day12-基于ResNet18完成cifar-10图像分类任务
深度学习基于 ResNet18 网络完成图像分类
m0_59596937的博客
10-16 3703
CIFAR-10数据集包含了10种不同的类别、共60,000张图像，其中每个类别的图像都是6000张，图像大小均为32×3232×32像素。
基于ResNet-18实现Cifar-10图像分类
ZHW-鲜橙大AI课题组的博客
05-23 2555
安耀辉，男，西安工程大学电子信息学院，22级研究生研究方向：小样本图像分类算法电子邮箱：1349975181@qq.com张思怡，女，西安工程大学电子信息学院，2022级研究生，张宏伟人工智能课题组研究方向：机器视觉与人工智能电子邮件：981664791@qq.comCIFAR-10 数据集由 60000张图片，每张为32✖32大小的彩色图像组成，每类 6000 张图像。有 50000 张训练图像和 10000 张测试图像（共10个类，如图所示）。
pytorch resnet 自定义数据集分类
lucky404的博客
01-12 7270
pytorch的torchvision内置了resnet主干网络,想要训练自定义分类数据集,只需要将全连接层的替换即可实现自定义数据集分类 本次我们使用的是resnet18 做自定义数据集分类 项目依赖 numpy1.20.3 opencv-contrib-python4.5.3.56 opencv-python4.5.1.48 opencv-python-headless4.5.1.48 Pillow8.2.0 tensorboard2.4.1 tensorboard-plugin-wit1.8.0 t
PyTorch实现基于ResNet18迁移学习的宝可梦数据集分类
心升明月的博客
03-17 2698
一、实现过程 1、数据集描述 数据集分为5类，分别如下： 皮卡丘：234 超梦：239 杰尼龟：223 小火龙：238 妙蛙种子：234 自取链接：https://pan.baidu.com/s/1bsppVXDRsweVKAxSoLy4sw 提取码：9fqo 图片文件扩展名有jpg,jepg,png和gif4种类型，并且图片的大小不尽相同，因此需要对所有(训练、验证和测试)的图片做Resize等操作，本文将图像尺寸Resize为224×224大小。 2、数据预处理 本文采用Dataset框架对数据集进
基于resnet101的cifar10数据集图像分类Pytorch实现代码+文档说明
08-20
基于resnet101的cifar10数据集图像分类Pytorch实现代码+文档说明，含有代码注释，新手也可看懂，个人手打98分项目，导师非常认可的高分项目，毕业设计、期末大作业和课程设计高分必看，下载下来，简单部署，就可以...
基于 ResNet-18 架构的图像分类模型，通常在 ImageNet 数据集的子集上进行训练
07-26
基于 ResNet-18 架构的图像分类模型，通常在 ImageNet 数据集的子集上进行训练。ResNet-18 是一个轻量级的深度卷积神经网络，适用于图像分类任务。该模型通过在包含 1000 个类别的 ImageNet 数据集上进行训练，学习...
猫狗数据集的二分类图像识别项目：基于ResNet34网络的迁移学习
12-14
本项目基于ResNet34迁移学习的图像分类，可直接运行。 数据集采用猫狗二分类数据集，包括2180张训练图片和414张预测图片。 网络训练的时候采用cos 学习率自动衰减，训练了50个epoch。模型在测试集最好的表现达到78%...
基于深度学习的动作识别与分类
最新发布
weixin_42605076的博客
10-07 801
基于深度学习的动作识别与分类是指通过深度学习模型从视频或传感器数据中自动识别和分类人类动作的过程。这项技术广泛应用于视频监控、安全监控、体育分析、医疗康复、虚拟现实（VR）和增强现实（AR）等领域。以下是基于深度学习的动作识别与分类的关键技术和方法。
CNN模型对CIFAR-10中的图像进行分类
C7211BA的博客
10-04 453
这段代码展示了如何使用 Keras 和 TensorFlow 构建一个卷积神经网络（CNN）模型，用于对 CIFAR-10 数据集中的图像进行分类。数据预处理：将图像像素值归一化并对标签进行 one-hot 编码。构建模型：搭建包含卷积层、池化层和全连接层的 CNN 模型。加载数据：从 CIFAR-10 数据集加载训练和测试图像。训练模型：使用 Adam 优化器对模型进行训练。评估模型：在测试数据集上评估模型的分类准确率。
手写数字识别（分类任务）
2302_80012625的博客
10-03 342
self.hidden1 = nn.Linear(784, 128) # 第一隐藏层self.hidden2 = nn.Linear(128, 256) # 第二隐藏层self.out = nn.Linear(256, 10) # 输出层self.dropout = nn.Dropout(0.5) # Dropout层功能创建一个名为Mnist_NN的神经网络类，继承自nn.Module。在初始化方法中定义网络的结构，包括两个隐藏层和一个输出层，以及一个 Dropout 层以减少过拟合。
LARA：多语言多轮对话意图分类的新突破
人工智能讲师分享前沿技术
09-30 2600
人工智能咨询培训老师叶梓 转载标明出处多轮对话意图分类面临的主要挑战在于对话的复杂性和上下文的不断变化。如图 1 所示。在多轮对话中，意图可能随着对话的进展而变化，这就需要注释者不仅要理解每条消息的内容，还要把握整个对话的上下文。由于意图种类繁多，且对话可能非常长，手动注释这样的数据集既耗时又容易出错，这对构建高质量的训练数据集构成了挑战。
扩散模型（2）--1
m0_63860007的博客
09-29 1028
生成模型通过学习并建模输入数据的分布，从而采集生成新的样木，该模型广泛运用于图片视频生成、文本生成和药物分子生成。扩散模型是一类概率生成模型，扩散模型通过向数据中逐步。
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