一行代码实现蛇种识别
毒蛇伤人事件在全世界范围内已造成相当一部分的死亡和受伤案例，这对于公众健康是一个重要的却又容易被忽视的影响因素。一部分人被蛇咬后无法准确地区分蛇的种类，无法知道蛇有毒与否，并且还因为不具备一定的自救知识而被蛇咬后不知所措。基于此，开发者 叶月火狐 基于飞桨开发了一款《野外蛇谱》的app，帮助人们在野外被蛇咬后准确识别蛇的种类，并精准判断蛇的毒性，提供自救方案，帮助人们在被蛇咬后的紧急处理。
前不久，飞桨官方在AI Studio上挑选了45个优质项目，优质项目链接：https://shimo.im/sheets/CqQvXq3JhGqCxdXv/MODOC
开发者 叶月火狐 开发的《野外蛇谱》的app是上面的优质项目之一，将其转换成PaddleHub模型可供更多开发者快速使用。
参考资料：
- 基于飞桨开发的《野外蛇谱》app
- 手把手带你将Paddlex模型部署为PaddleHub
- 【PaddleHub模型贡献】一行代码实现水表的数字表盘分割
- 【PaddleHub模型贡献】一行代码实现从彩色图提取素描线稿
一、模型开发
1.安装必要的资源库
原项目使用PaddleX开发，因此这里先安装PaddleX：
!pip install paddlex
2.数据预处理
2.1解压数据集
!unzip data/data44587/snake_data.zip -d /home/aistudio/
2.2划分训练集
!paddlex --split_dataset --format ImageNet --dataset_dir '/home/aistudio/snake_data' --val_value 0.2 --test_value 0.1
3.模型训练
3.1设置使用0号GPU卡
import matplotlib
matplotlib.use('Agg')
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
import paddlex as pdx
3.2图像预处理+数据增强
from paddlex.cls import transforms
train_transforms = transforms.Compose([
transforms.RandomCrop(crop_size=224),
transforms.RandomHorizontalFlip(),
transforms.Normalize()
])
eval_transforms = transforms.Compose([
transforms.ResizeByShort(short_size=256),
transforms.CenterCrop(crop_size=224),
transforms.Normalize()
])
3.3数据迭代器的定义
train_dataset = pdx.datasets.ImageNet(
data_dir='snake_data',
file_list='snake_data/train_list.txt',
label_list='snake_data/labels.txt',
transforms=train_transforms,
shuffle=True)
eval_dataset = pdx.datasets.ImageNet(
data_dir='snake_data',
file_list='snake_data/val_list.txt',
label_list='snake_data/labels.txt',
transforms=eval_transforms)
2020-07-19 11:49:17 [INFO] Starting to read file list from dataset...
2020-07-19 11:49:17 [INFO] 17364 samples in file snake_data/train_list.txt
2020-07-19 11:49:17 [INFO] Starting to read file list from dataset...
2020-07-19 11:49:17 [INFO] 25 samples in file snake_data/val_list.txt
3.4开始炼丹
num_classes = len(train_dataset.labels)
model = pdx.cls.ResNet50_vd_ssld(num_classes=num_classes)
model.train(num_epochs = 60,
save_interval_epochs = 10,
train_dataset = train_dataset,
train_batch_size = 64,
eval_dataset = eval_dataset,
learning_rate = 0.025,
warmup_steps = 1084,
warmup_start_lr = 0.0001,
lr_decay_epochs=[20, 40],
lr_decay_gamma = 0.025,
save_dir='/home/aistudio',
use_vdl=True)
4.查看模型预测效果
import cv2
import matplotlib.pyplot as plt
# 加载模型
print('**************************************加载模型*****************************************')
model = pdx.load_model('best_model')
# 显示图片
img = cv2.imread('test.jpg')
b,g,r = cv2.split(img)
img = cv2.merge([r,g,b])
%matplotlib inline
plt.imshow(img)
# 预测
result = model.predict('test.jpg', topk=3)
print('**************************************预测*****************************************')
print(result[0])
**************************************加载模型*****************************************
2020-07-19 14:21:06 [INFO] Model[ResNet50_vd_ssld] loaded.
**************************************预测*****************************************
{'category_id': 4, 'category': '西部菱斑响尾蛇', 'score': 0.9999999}
二、封装Module
1.导出inference模型
| 参数 | 说明 |
|---|---|
| –model_dir | inference模型所在的文件地址，文件包括：.pdparams、.pdopt、.pdmodel、.json和.yml |
| –save_dir | 导出inference模型，文件将包括：__model__、__params__和model.yml |
!paddlex --export_inference --model_dir=best_model --save_dir=./inference_model/ResNet50_vd_ssld
W0717 23:24:19.157521 13809 device_context.cc:252] Please NOTE: device: 0, CUDA Capability: 70, Driver API Version: 9.2, Runtime API Version: 9.0
W0717 23:24:19.161340 13809 device_context.cc:260] device: 0, cuDNN Version: 7.3.
2020-07-17 23:24:22 [INFO] Model[ResNet50_vd_ssld] loaded.
2020-07-17 23:24:22 [INFO] Model for inference deploy saved in ./inference_model/ResNet50_vd_ssld.
2.模型转换
PaddleX模型可以快速转换成PaddleHub模型，只需要用下面这一句命令即可：
!hub convert --model_dir inference_model/ResNet50_vd_ssld \
--module_name SnakeIdentification \
--module_version 1.0.0 \
--output_dir outputs
转换成功后的模型保存在outputs文件夹下，我们解压一下：
!gzip -dfq /home/aistudio/outputs/SnakeIdentification.tar.gz
!tar -xf /home/aistudio/outputs/SnakeIdentification.tar
3.模型安装
安装我们刚刚转换的模型：
!hub install SnakeIdentification
4.模型预测
预测单张图片
import cv2
import paddlehub as hub
module = hub.Module(name="SnakeIdentification")
images = [cv2.imread('snake_data/class_1/2421.jpg')]
# execute predict and print the result
results = module.predict(images=images)
for result in results:
print(result)
[2021-03-12 10:55:05,972] [ WARNING] - The _initialize method in HubModule will soon be deprecated, you can use the __init__() to handle the initialization of the object
[{'category_id': 0, 'category': '水蛇', 'score': 0.9999205}]
预测多张图片
选取5张图片，每张图片对应一个类别：
import cv2
import paddlehub as hub
module = hub.Module(name="SnakeIdentification")
images = [cv2.imread('snake_data/class_1/2421.jpg'), cv2.imread('snake_data/class_2/113.jpg'), cv2.imread('snake_data/class_3/757.jpg'),
cv2.imread('snake_data/class_4/1101.jpg'), cv2.imread('snake_data/class_5/2566.jpg')]
# execute predict and print the result
results = module.predict(images=images)
for result in results:
nt the result
results = module.predict(images=images)
for result in results:
print(result)
[2021-03-12 11:00:07,036] [ WARNING] - The _initialize method in HubModule will soon be deprecated, you can use the __init__() to handle the initialization of the object
[{'category_id': 0, 'category': '水蛇', 'score': 0.9999205}]
[{'category_id': 1, 'category': '剑纹带蛇', 'score': 0.9988399}]
[{'category_id': 2, 'category': '德凯斯氏蛇', 'score': 0.9867851}]
[{'category_id': 3, 'category': '黑鼠蛇', 'score': 0.9468411}]
[{'category_id': 4, 'category': '西部菱斑响尾蛇', 'score': 1.0}]
三、在GitHub上提pr
pr就是Pull Request（翻译过来就是：拉取请求）的简称
1.Fork PaddleHub
进入PaddleHub的源码仓库https://github.com/PaddlePaddle/PaddleHub
看到这个箭头指向的按钮了吗？点它！！！
如果可以的话，可以顺手把它旁边的Star给点了（手动狗头）
点击以后，你的账号下面就有一个叫PaddleHub的代码仓库了，就像这样：
2.上传Module
本项目是图像分类的项目，所以进入到图像分类的目录下：
PaddleHub/modules/image/classification/
点击Add file：
先输入您上传的Module名称，这里我的Module名称命名为SnakeIdentification，将它变成一个文件夹，只需要在后面加一个‘/’,创建好文件夹以后，把Module里的文件上传上去即可：
上传成功后，点击Commit，文件就会自动上传到你自己的代码仓库里
3.Pull Request
最后一步，拉取请求：
确认无误后点击提交即可：
四、总结与升华
这次图像分类的任务比较简单，用的时间大概是2个小时，总的来说，熟练以后还是蛮简单的。
最近飞桨有新活动，给飞桨PaddlePaddle家族提PR，根据积分排行，可以兑换惊喜大礼！活动详情请见：飞桨开发者技术专家（PPDE） Q1活动开启
大家赶紧冲呀！！！
个人简介
北京联合大学 机器人学院 自动化专业 2018级 本科生 郑博培
百度飞桨开发者技术专家 PPDE
百度飞桨官方帮帮团、答疑团成员
深圳柴火创客空间 认证会员
百度大脑 智能对话训练师
阿里云人工智能、DevOps助理工程师
我在AI Studio上获得至尊等级，点亮9个徽章，来互关呀！！！
https://aistudio.baidu.com/aistudio/personalcenter/thirdview/147378
985
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
