飞桨深度学习学院-Python小白逆袭大神Day（4）笔记

Day4-《青春有你2》选手识别

作业：对测试的图片进行分类

代码详解

步骤一

爬取5位参赛选手的照片，制作训练集。这里放上我借鉴的数据集
链接: link.
（#CPU环境启动请务必执行该指令
%set_env CPU_NUM=1 ）这句可不运行，后边使用GPU

步骤二

由于下载的照片名称不对，所以需要对文件进行文件名的修改，代码如下：

def rename(path):
        filelist = os.listdir(path) 
        count = 1
        for item in filelist:
            src = os.path.join(os.path.abspath(path), item)
            dst = os.path.join(os.path.abspath(path), '0' + format(str(i), '0>4s') + '.jpg')    
            os.rename(src, dst)
            count = count + 1

其中path为dataset/train/anqi，以此类推其余四位参赛选手。

步骤三

制作train_list.txt

import os

def get_train_tlist():
    result=[]
    path = "dataset/train"
    stars = {'yushuxin': 0, 'xujiaqi': 1, 'zhaoxiaotang': 2, 'anqi': 3, r'wangchengxuan': 4}
    for root, dirs, files in os.walk(path):
        for item in files:
            item_path = os.path.join(root, item)
            res='t'+item_path.strip('dataset/')
            # print(item_path)
            # print(res)
            name=item[:-8]
            # print(name)
            # print(' %s %d'% (res, stars[name]))
            result.append('%s %d' % (res, stars[name]))
    return result
train_list=get_train_tlist()
with open("./dataset/train_list.txt", "w") as f:
    for line in train_list:
        f.writelines(line)
        f.writelines("\n")

步骤四

由于没有制作validate_list.txt，并且需要将test_list_file="test_list_cp.txt"修改，所以数据准备中的代码需作如下修改：

from paddlehub.dataset.base_cv_dataset import BaseCVDataset
   
class DemoDataset(BaseCVDataset):	
   def __init__(self):	
       # 数据集存放位置
       
       self.dataset_dir = "dataset"
       super(DemoDataset, self).__init__(
           base_path=self.dataset_dir,
           train_list_file="train_list.txt",
         #   validate_list_file="validate_list.txt",
           test_list_file="test_list_cp.txt",
           label_list_file="label_list.txt",
           )
dataset = DemoDataset()

步骤五

注意其中的batch_size=32的修改以及由于没有验证集，所以需要注释掉 eval_interval=3

config = hub.RunConfig(
    use_cuda=True,                              #是否使用GPU训练，默认为False；
    num_epoch=3,                                #Fine-tune的轮数；
    checkpoint_dir="cv_finetune_turtorial_demo" ,#模型checkpoint保存路径, 若用户没有指定，程序会自动生成；
    batch_size=32,                              #训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
    # eval_interval=3,                           #模型评估的间隔，默认每100个step评估一次验证集；
    log_interval=10,
    strategy=hub.finetune.strategy.DefaultFinetuneStrategy())  #Fine-tune优化策略；

步骤六

依次运行代码后，预测模型即可得到一下结果：