基于Paddle的计算机视觉入门教程【学习笔记】（5）Paddlex实现垃圾分类

我是 雪天鱼&＃xff0c;一名FPGA爱好者&＃xff0c;研究方向是FPGA架构探索和数字IC设计。

关注公众号【集成电路设计教程】&＃xff0c;获取更多学习资料&＃xff0c;并拉你进“IC设计交流群”。
QQIC设计&FPGA&DL交流群 群号&＃xff1a;866169462。

原作者课程链接&＃xff1a;https://www.bilibili.com/video/BV18b4y1J7a6?p&＃61;2

首先需要安装 Microsoft Visual C&＃43;&＃43; 14.0,安装工具自取
链接&＃xff1a;https://pan.baidu.com/s/1NfJF2x3ZEnGzvlEcHcjxxg
提取码&＃xff1a;n0ll

下载好后解压&＃xff0c;双击 exe进行安装

再进入之前创建的 paddle 的虚拟环境&＃xff0c;输入下述指令安装PaddleX:

pip install paddlex&＃61;&＃61;2.1.0 -i https://mirror.baidu.com/pypi/simple


通过 pip list 查看是否安装成功

链接&＃xff1a;https://pan.baidu.com/s/12x6C6O0R_3xGjTHdGy8Syw
提取码&＃xff1a;l5ft

下载好后解压即可。

• eval.txt 用于测试
• train.txt 用于模型训练
• labels.txt 每个文件夹对于的label

打开pycharm&＃xff0c;新建名为 paddle 的项目,设置好 Python 解释器为 paddle 虚拟环境中的python。然后新建 train.py 编写训练代码:

from paddlex import transforms as T
import paddlex as pdx# 1 定义训练集的数据增强算子
train_transforms &＃61; T.Compose([T.RandomCrop(crop_size&＃61;224),T.RandomHorizontalFlip(),T.Normalize()])# 2 定义测试集的数据增强算子
eval_transforms &＃61; T.Compose([T.ResizeByShort(short_size&＃61;256),T.CenterCrop(crop_size&＃61;224),T.Normalize()
])# 3 定义训练数据集和测试数据集
train_dataset &＃61; pdx.datasets.ImageNet(data_dir&＃61;&＃39;rubbish&＃39;,file_list&＃61;&＃39;rubbish/train.txt&＃39;,label_list&＃61;&＃39;rubbish/labels.txt&＃39;,transforms&＃61;train_transforms,shuffle&＃61;True)
eval_dataset &＃61; pdx.datasets.ImageNet(data_dir&＃61;&＃39;rubbish&＃39;,file_list&＃61;&＃39;rubbish/eval.txt&＃39;,label_list&＃61;&＃39;rubbish/labels.txt&＃39;,transforms&＃61;eval_transforms)num_classes &＃61; len(train_dataset.labels) # label 个数# 4 定义垃圾分类的CNN模型
model &＃61; pdx.cls.MobileNetV3_small(num_classes&＃61;num_classes)# 5 模型训练
model.train(num_epochs&＃61;10, # 训练总轮数train_dataset&＃61;train_dataset,train_batch_size&＃61;64, # 每次送入显卡进行训练计算的图片张数eval_dataset&＃61;eval_dataset,lr_decay_epochs&＃61;[4, 6, 8], # 学习率减小的轮数save_dir&＃61;&＃39;output/mobilenetv3_small&＃39;, # 输出文件夹设置use_vdl&＃61;True)


刚开始训练时&＃xff0c;学习率大容易快速收敛&＃xff0c;但多轮训练后就需要将其设置小点&＃xff0c;以免错过 loss 最小值。

可以看到训练出来最优的模型是第 9 轮所训练出来的模型。

生成的文件有&＃xff1a;

• model.yml 是模型标注文件&＃xff0c;简单介绍该模型。

模型既然训练好了&＃xff0c;就可以使用了&＃xff0c;新建一个 predict.py,输入&＃xff1a;

import paddlex as pdx
model &＃61; pdx.load_model(&＃39;output/mobilenetv3_small/best_model&＃39;)
result &＃61; model.predict(&＃39;1.jpg&＃39;)
print("Predict Result: ", result)


这里我从网上随便找了个易拉罐的图片&＃xff1a;

输出结果&＃xff1a;

可以看到识别正确。

通过在对应 paddle 的虚拟环境下&＃xff0c;输入visualdl --logdir output/mobilenetv3_small --port 8001 即可可视化查看训练过程中&＃xff0c;学习率、loss等参数的变化情况。