Day02-十二生肖实践作业
paddle深度学习万能公式
一、问题定义
十二生肖分类的本质是图像分类任务,我们采用CNN网络结构进行相关实践。
二、数据准备
1、解压数据集
我们将网上获取的数据集以压缩包的方式上传到aistudio数据集中,并加载到我们的项目内。
在使用之前我们进行数据集压缩包的一个解压。
!unzip -q -o data/data68755/signs.zip
2、标注数据集
首先我们来看一下解压后的数据集张什么样子。
.
├── test
│ ├── dog
│ ├── dragon
│ ├── goat
│ ├── horse
│ ├── monkey
│ ├── ox
│ ├── pig
│ ├── rabbit
│ ├── ratt
│ ├── rooster
│ ├── snake
│ └── tiger
├── train
│ ├── dog
│ ├── dragon
│ ├── goat
│ ├── horse
│ ├── monkey
│ ├── ox
│ ├── pig
│ ├── rabbit
│ ├── ratt
│ ├── rooster
│ ├── snake
│ └── tiger
└── valid
├── dog
├── dragon
├── goat
├── horse
├── monkey
├── ox
├── pig
├── rabbit
├── ratt
├── rooster
├── snake
└── tiger
数据集分为train、valid、test三个文件夹,每个文件夹内包含12个分类文件夹,每个分类文件夹内是具体的样本图片。我们对这些样本进行一个标注处理,最终生成train.txt/valid.txt/test.txt三个数据标注文件。
import io
import os
from PIL import Image
from config import get
# 数据集根目录
DATA_ROOT = 'signs'
# 标签List
LABEL_MAP = get('LABEL_MAP')
# 标注生成函数
def generate_annotation(mode):
# 建立标注文件
with open('{}/{}.txt'.format(DATA_ROOT, mode), 'w') as f:
# 对应每个用途的数据文件夹,train/valid/test
train_dir = '{}/{}'.format(DATA_ROOT, mode)
# 遍历文件夹,获取里面的分类文件夹
for path in os.listdir(train_dir):
# 标签对应的数字索引,实际标注的时候直接使用数字索引
label_index = LABEL_MAP.index(path)
# 图像样本所在的路径
image_path = '{}/{}'.format(train_dir, path)
# 遍历所有图像
for image in os.listdir(image_path):
# 图像完整路径和名称
image_file = '{}/{}'.format(image_path, image)
try:
# 验证图片格式是否ok
with open(image_file, 'rb') as f_img:
image = Image.open(io.BytesIO(f_img.read()))
image.load()
if image.mode == 'RGB':
f.write('{}\t{}\n'.format(image_file, label_index))
except:
continue
generate_annotation('train') # 生成训练集标注文件
generate_annotation('valid') # 生成验证集标注文件
generate_annotation('test') # 生成测试集标注文件
3、导入相关库
import paddle
import numpy as np
from config import get
paddle.__version__
'2.0.0'
4、导入数据集的定义实现
我们数据集的代码实现定义在dataset.py中,我们在实现该作业是要先下载该文件,代码见文末。
from dataset import ZodiacDataset
5、实例化数据集类
根据所使用的数据集需求实例化数据集类,并查看总样本量。
train_dataset = ZodiacDataset(mode='train')
valid_dataset = ZodiacDataset(mode='valid')
print('训练数据集:{}张;验证数据集:{}张'.format(len(train_dataset), len(valid_dataset)))
三、模型选择和开发
1、网络构建
本次我们使用ResNet50网络来完成我们的案例实践。
1)ResNet系列网络
2)ResNet50结构
3)残差区块
4)ResNet其他版本
# 请补齐模型实例化代码
network = paddle.vision.models.resnet50(num_classes=get('num_classes'), pretrained=True) # 飞浆预训练模型
模型可视化
model = paddle.Model(network)
model.summary((-1, ) + tuple(get('image_shape')))
-------------------------------------------------------------------------------
Layer (type) Input Shape Output Shape Param #
===============================================================================
Conv2D-213 [[1, 3, 224, 224]] [1, 64, 112, 112] 9,408
BatchNorm2D-213 [[1, 64, 112, 112]] [1, 64, 112, 112] 256
ReLU-69 [[1, 64, 112, 112]] [1, 64, 112, 112] 0
MaxPool2D-5 [[1, 64, 112, 112]] [1, 64, 56, 56] 0
Conv2D-215 [[1, 64, 56, 56]] [1, 64, 56, 56] 4,096
BatchNorm2D-215 [[1, 64, 56, 56]] [1, 64, 56, 56] 256
ReLU-70 [[1, 256, 56, 56]]
今天的文章飞桨day-02 卷积神经网络十二生肖识别实战分享到此就结束了,感谢您的阅读。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/61307.html