OOD分类项目训练

小舞O_o

已于 2024-03-06 14:13:09 修改

阅读量771

点赞数 11

分类专栏：模型分享文章标签：分类人工智能计算机视觉机器学习神经网络图像处理深度学习

于 2024-02-07 12:06:15 首次发布

本文链接：https://blog.csdn.net/weixin_45866058/article/details/136067391

版权

模型分享专栏收录该内容

14 篇文章 2 订阅

订阅专栏

文章介绍了如何在GitHub的UIOS项目中创建和处理训练、验证和测试数据的标签，包括将分类信息转换为CSV文件，以及在遇到ValueError时处理ROCAUC计算的问题。此外，还提到调整config.py参数如shuffle和batch_size以优化模型训练过程。

摘要由CSDN通过智能技术生成

一、项目地址

GitHub - LooKing9218/UIOS

二、label制作

将训练、验证、测试数据的分类信息转换入.csv文件中，运行如下脚本即可：

import os
import csv
 
#要读取的训练、验证、测试文件的目录，该文件下保存着以各个类别命名的文件夹和对应的分类图片
root_path=r'/media/*********************/train' 
#类别种类
classes=['cls1','cls2']

def get_Write_file_infos(path):
    # 文件信息列表
    file_infos_list=[]
    typeclothes=os.listdir(path)
    for ii in typeclothes:
        everyfile=os.path.join(path , ii)
        for root, dirnames, filenames in os.walk(everyfile):
            for filename in filenames:
                file_infos = {}
                dirname=root
                 
                #根据自己的需求更改路径地址
                filename1 ='train/'+ii+'/'+ filename#.split('.jpg')[0]
                flag = filename1[-1]
                file_infos["ImageId"] = filename1
     
                file_infos["Flag"] = classes.index(ii)
                #将数据追加字典到列表中
                file_infos_list.append(file_infos)
                
    return file_infos_list
 
 
#写入csv文件
def write_csv(file_infos_list):
    with open('train_label.csv','a+',newline='') as csv_file_train:
        csv_writer = csv.DictWriter(csv_file_train,fieldnames=['ImageId','Flag'])
        csv_writer.writeheader()
        for each in file_infos_list:
            print(each)
            csv_writer.writerow(each)
            
def main():
    file_infos_list =get_Write_file_infos(root_path)
    write_csv(file_infos_list)
 
 
if __name__ == '__main__':
    main()
    print('The End！')

生成情况如下：

三、运行程序

（1）修改参数文件 utils/config.py

# -*- coding: utf-8 -*-
class DefaultConfig(object):
    net_work = 'ResUnNet50'
    num_classes = 2
    num_epochs = 100
    batch_size = 256
    validation_step = 1
    root = "/media/code/"
    train_file = "train_label.csv"
    val_file = "val_label.csv"
    test_file = "test_label.csv"
    lr = 1e-4
    lr_mode = 'poly'
    momentum = 0.9
    weight_decay = 1e-4
    save_model_path = './Model_Saved'.format(net_work,lr)
    log_dirs = './Logs_Adam_0304'
    pretrained =True# False
    pretrained_model_path ='/media/code/UIOS-master/Trained/archive/data/99843712' #None
    cuda = 0
    num_workers = 4
    use_gpu = True
    trained_model_path = ''
    predict_fold = 'predict_mask'

(2)运行

命令：

python train.py

（3）运行界面

四、踩坑记录

问题原因：ValueError: Only one class present in y_true. ROC AUC score is not defined in that case.

解决方法：

（1）网上看了很多：

方法1：添加 try-except

        try:
            epoch_train_auc = metrics.roc_auc_score(labels, outputs)

            writer.add_scalar('Train/train_auc', float(epoch_train_auc),
                          epoch)
            print('loss for train : {}，{}'.format(loss_train_mean,round(epoch_train_auc,6)))

        except ValueError:
            pass

方法2：DataLoader的参数设置shuffle=True

   train_loader = DataLoader(DatasetCFP(
        root=args.root,
        mode='train',
        data_file=args.train_file,
    ),
        batch_size=args.batch_size, shuffle=True, pin_memory=True)
    val_loader = DataLoader(DatasetCFP(
        root=args.root,
        mode='val',
        data_file=args.val_file,
    ),
        batch_size=args.batch_size, shuffle=True, pin_memory=True)
    test_loader = DataLoader(DatasetCFP(
        root=args.root,
        mode='test',
        data_file=args.test_file,
    ),
        batch_size=args.batch_size, shuffle=True, pin_memory=True)

方法3：增大batch_size

(2)我的方法:

其实是我马虎大意

修改好config.py中的num_classes参数就行了，

见谅（不好意思~(￣▽￣)~*）