使用Swin Transformer进行水果数据集分类

最新推荐文章于 2024-08-20 19:45:27 发布
最新推荐文章于 2024-08-20 19:45:27 发布
阅读量88 收藏 1
点赞数
文章标签： 分类算法 图像处理 神经网络
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_57111012/article/details/134232018
版权

 水果分类数据集；其中包含香蕉，苹果，梨子，橘子，葡萄等五个种类，

链接：https://pan.baidu.com/s/1s-ghHM9w2zoGKRGViO8TOA 
提取码：wef8

整个项目文件如下，大家使用的时候把训练脚本和预测脚本中的路径改一下就可以了，我用的是绝对路径，大家用的时候记得改。

链接：https://pan.baidu.com/s/1GwBmyF-sGA_hesWPxrRcRQ 
提取码：pyfs

赢勾喜欢海
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
水果数据集的五分类图像识别项目：基于Swin-Transformer网络的迁移学习
12-15
本项目基于Swin-Transformer迁移学习的图像分类，可直接运行。 数据集采用水果五分类数据集(哈密瓜、胡萝卜、樱桃、黄瓜、西瓜)，包括1849张训练图片和387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93%精度。 如果想要训练自己的数据集，请查看README文件
Swin-Transformer 图像分类网络实战项目：30种水果图像分类数据集（迁移学习）
03-26
基于svit网络对30种水果图像分类数据集的迁移学习项目，包含代码、数据集和训练好的权重文件，经过测试，可以直接运行 【网络】swin-transformer，参数量为8千万左右 【数据集】30种水果图像分类数据集(芒果、葡萄、苦瓜、荔枝） 【训练train.py】 1、训练过程中，会对数据集进行随机裁剪、翻转等数据增广等等。 2、网络初始化会自动载入官方在imagenet上的预训练权重进行迁移学习。 3、训练脚本会自动生成数据集类别的 json 文件，并且通过json文件自动设定网络的输出维度，不需要自己定义输出的channel。train.py 训练完成会生成训练集的loss曲线、学习率衰减曲线、测试集的accuracy曲线以及训练日志，保存在run_results文件内。 【预测predict.py】只需要将待预测的图像放在inference文件夹下，代码会自动将该文件下所有的图像进行预测，并在原图像左上角写入最大的前三个类别和概率，无需更改任何代码 【本项目仅仅训练了10个epoch，准确率为0.9852，加大epoch可以提升网络精度】
Vision Transformer 分类水果图片集 Python 代码（可训练自己数据集）
Illusionna_的博客
12-09 917
迭代 700 次准确率接近 99%，测试集基本全部分类正确.先运行 process.py 处理文件.再运行 train.py 训练文件.可以下载我的权重直接进行分类任务.
【实战精选】水果识别系统：BoTNet-Transformer的改进YOLOv7
cheng2333333的博客
12-14 207
【实战精选】水果识别系统：BoTNet-Transformer的改进YOLOv7
Swin Transformer实战： timm使用、Mixup、Cutout和评分一网打尽，图像分类任务
AI浩
02-25 6522
文章目录摘要Swin Transformer简介资料汇总数据增强Cutout和Mixup项目结构计算mean和std生成数据集训练导入项目使用的库设置全局参数图像预处理与增强读取数据设置模型定义训练和验证函数测试 摘要 本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，演示如何使用timm版本的Swin Transformer图像分类模型实现分类任务已经对验证集得分的统计，本文实现了多个GPU并行训练。 通过本文你和学到： 1、如何从timm调用模型、loss和Mixup？ 2、如何制作I
099基于深度学习的动物声音分类
FDGDFGDGDVXGGF的博客
05-20 909
082基于CNN卷积网络的手势识别阿拉伯数字pyqt版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。这是运行python 03pyqt.py的可视化界面，通过第一个按钮加载需要检测的音频，运行第三个按钮就会将检测结果，比如cat显示在下方Result处。有兴趣的小伙伴也可以自行扩充数据集，或训练自己的数据集。
139不用安装环境即可训练中药饮片数据集+识别检测
bcbdfgdgsgdh的博客
05-21 544
083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。不过这里都是cpu训练环境，支持Windows下的无环境安装运行，如果是其他像linux系统或mac系统的，就需要在自己电脑上安装环境，而不能用我这个给你已经弄好的python文件夹里面的环境了。
005基于传统检测算法hog+svm实现图像多分类
bcbdfgdgsgdh的博客
05-22 2223
083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。016基于CNN卷积网络的人脸识别打卡签到_resnet_mobilenet_efficientnet等。056基于python的图像识别含评价指标_精确率_召回率_f1score。
Kaggle-Fruit360 Torch|TransferLearing+Ensemble99.18%（Densenet100/101 GoogleNet ResNet101 VGG19）
qq_29487479的博客
11-30 727
【代码】kaggle-pytorch项目 水果分类 Densenet GoogleNet ResNet101 VGG19。
使用swin_transformer做自己数据集的图像分类
04-30
使用的数据集共有5种类别，使用Swin-T预训练模型进行训练。
swin transformer代码加数据集
08-12
总之，这个压缩包提供了一个完整的Swin Transformer在语义分割任务上的实现，包含了模型代码和可能的数据集，对于研究Transformer在计算机视觉中的应用或者进行相关项目开发具有很高的参考价值。
Swin Transformer 实现图像分类
05-29
Swin Transformer 是一种基于Transformer架构的深度学习模型，由Pengchao Zhang等人在2021年提出，主要用于计算机视觉任务，如图像分类、目标检测和语义分割。相较于传统的卷积神经网络（CNN），Swin Transformer ...
[论文总结] 深度学习在农业领域应用论文笔记10
You and Me
08-01 6131
对于人类能够识别的字符，计算机会根据某一对应关系将其转换为二进制形式进行保存。这个对应关系就是字符编码表，即什么样的字符对应什么样的二进制编码。这种字符编码表往往是多种多样的，因此，如果我们想要将一个未知编码的二进制文件转换为可读文本进行显示，就需要考其使用的是什么类型的字符编码。关于字符编码的进一步介绍见文章。现实中，往往根据各种字符编码的特征字符来猜测当前文件使用的是什么类型的字符编码。。chardet安装指令如下。...
078基于python深度学习的水果香蕉品质检测
bug_creat0r的博客
06-06 228
在02中可以选择的模型有10多种，可以都训练进行对比、包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。运行03pyqt界面.py可以生成一个可视化的界面，通过点击按钮加载图片识别。运行01数据集文本生成制作.py可以读取图片路径保存再txt文本中，运行02train.py可以对txt文本中的图片路径读取并训练模型，
图像处理 -- ISP 之 tone mapping功能的实现原理
最新发布
sz66cm 学习随笔
08-20 896
ISP（图像信号处理器）中的tone mapping功能，通常用于处理图像的亮度和对比度，以便将高动态范围（HDR）的图像转换为低动态范围（LDR）图像，以适应显示设备的能力。
利用python装饰器，客制化图像处理功能
weixin_44463519的博客
08-20 292
有时间再写。
无人机生态环境监测、图像处理与GIS数据分析
weixin_xiao5kou4chang6kai4的博客
08-20 735
很多资源环境领域的从业人员也介入到无人机应用中，通过无人机搭载不同的传感器可以灵活高效地进行地表空间要素的动态监测，获取大量宝贵的监测数据，极大地解决了很多传统野外观测手段无法解决的问题。本次融合无人机生态环境监测技术和ArcGIS数据分析技术，通过具体案例分析与软件操作实践，详细介绍包括无人机多源遥感影像数据采集（可见光、多光谱、激光雷达等）、影像数据拼接、空间数据编辑、空间数据分析、空间数据专题制图等流程的一条完整作业“流水线”无人机图像拼接数据在GIS中的处理与分析。无人机图像拼接典型案例详解。
【pytorch学习】神经网络基本骨架
qq_45059937的博客
08-20 817
卷积核大小为 F X F，有 M 个卷积核，卷积的步长sterde为 S，padding为 P。假如，当前输入是大小为 n X n 的RGB图像(3, n ,n )，通道 C = 3。) – 输入图像中的通道数（例如RGB图像的通道数为3）) – 对输入图像四个边的填充 Default: 0。当一个5X5的矩阵使用3X3的池化核来进行池化时，) – 卷积后产生的通道数（跟卷积核的数量相关）) – 卷积的步长 (Default: 1)经过卷积后的输出为：（M , A , A）继承父类nn.Module。
使用swin transformer在自己的数据集上完成图像分类
09-04
要在自己的数据集上使用Swin Transformer完成图像分类，需要进行以下步骤： 1. 数据准备：将自己的图像数据集按类别进行分类，并划分为训练集和验证集。确保数据集的标签正确，并且每个类别的数量大致相等。 2. 模型选择：选择合适的Swin Transformer模型进行图像分类任务。可以根据自己的数据集大小和复杂度，选择适当的模型大小。在选择时，也可以考虑预训练模型，以便在有限的数据上进行微调。 3. 数据预处理：对图像数据进行预处理，例如缩放、裁剪、标准化等操作，以便与Swin Transformer的输入要求相匹配。 4. 模型训练：使用训练集对选择的Swin Transformer模型进行训练。根据需要调整学习率、批量大小等超参数，并使用合适的优化器进行优化。在训练过程中，可以使用一些技巧，如学习率衰减、数据增强等，以提高模型的性能。 5. 模型评估：使用验证集对训练得到的模型进行评估。计算模型的准确率、精确率、召回率等指标，以评估模型的性能。 6. 模型调优：根据评估结果，对模型进行调优。可以尝试调整超参数、网络结构或进行更多的数据增强等措施，以进一步提高模型的性能。 7. 模型推断：使用训练得到的最佳模型对新的图像进行分类。将待分类的图像输入到模型中，并获得预测结果。可以根据需求进行后处理，如概率阈值调整、多模型集成等。 总之，使用Swin Transformer在自己的数据集上完成图像分类需要进行数据准备、模型选择、数据预处理、模型训练、模型评估、模型调优和模型推断等步骤。通过逐步优化和调整，可以得到准确率较高的图像分类模型。
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