英文建站平台有哪些,wordpress最新博客主题,怎么自己做H5网站,网站怎么做更新YOLOv5-C3模块实现天气识别 一、环境配置二、准备数据三、搭建网络结构-YOLO-C3模块四、开始训练五、查看训练结果六、总结#xff08;forward函数内部没有调用新增加的层#xff0c;训练所使用的网络结构还是原来的结构#xff0c;注意通道参数的一致#xff0c;训练结果待… YOLOv5-C3模块实现天气识别 一、环境配置二、准备数据三、搭建网络结构-YOLO-C3模块四、开始训练五、查看训练结果六、总结forward函数内部没有调用新增加的层训练所使用的网络结构还是原来的结构注意通道参数的一致训练结果待修改6.1 增加C3模块网络结构代码已修改训练结果待修改1增加一个C3模块test_acc91.6%增加了4.5%2 增加两个C3模块test_acc92.0%与(1)相比增加了0.4% 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊 | 接辅导、项目定制 说明 1本次学习着重学习YOLO-C3模块并比较不同数量下的C3模块对训练结果的test_acc有何影响 2注意 模型每增加一个C3模块forward()函数内部也同步增加一个C3模块这是因为init里是定义forward是调用每次的训练情况在本文的【总结】部分有详细说明。 一、环境配置
● 语言环境Python3.7.8 ● 编译器VSCode ● 数据集天气识别数据集 ● 深度学习环境Pytorch ○ torch 1.13.1 ○ torchvision 0.14.1 ○ torchsummary 1.5.1
# Yolo-C3模块学习
import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warningswarnings.filterwarnings(ignore) #忽略警告信息print(--------------------------1. 配置环境------------------------)
device torch.device(cuda if torch.cuda.is_available() else cpu)
print(Device: , device)二、准备数据 2.1 打印classeNames列表显示每个文件所属的类别名称 2.2 打印归一化后的类别名称0或1 2.3 划分数据集划分为训练集测试集torch.utils.data.DataLoader()参数详解 2.4 检查数据集的shape print(--------------------------2.1 导入本地数据------------------------)
import os,PIL,random,pathlib
data_dir D:/jupyter notebook/DL-100-days/datasets/P3-天气识别/weather_photos/
data_dir pathlib.Path(data_dir)data_paths list(data_dir.glob(*))
classeNames [str(path).split(\\)[5] for path in data_paths]
print(classesName: , classeNames)print(--------------------------2.2 数据集归一化------------------------)
# 关于transforms.Compose的更多介绍可以参考https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms transforms.Compose([transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸# transforms.RandomHorizontalFlip(), # 随机水平翻转transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor并归一化到[0,1]之间transforms.Normalize( # 标准化处理--转换为标准正太分布高斯分布使模型更容易收敛mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # 其中 mean[0.485,0.456,0.406]与std[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])test_transform transforms.Compose([transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor并归一化到[0,1]之间transforms.Normalize( # 标准化处理--转换为标准正太分布高斯分布使模型更容易收敛mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # 其中 mean[0.485,0.456,0.406]与std[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])total_data datasets.ImageFolder(D:/jupyter notebook/DL-100-days/datasets/P3-天气识别/weather_photos/,transformtrain_transforms)
print(tota_data: , total_data)
print(class_to_idx: , total_data.class_to_idx)print(--------------------------2.3 划分数据集------------------------)
train_size int(0.8 * len(total_data))
test_size len(total_data) - train_size
train_dataset, test_dataset torch.utils.data.random_split(total_data, [train_size, test_size])
print(train_dataset: , train_dataset)
print(test_dataset: , test_dataset)batch_size 4
train_dl torch.utils.data.DataLoader(train_dataset,batch_sizebatch_size,shuffleTrue,num_workers0)
test_dl torch.utils.data.DataLoader(test_dataset,batch_sizebatch_size,shuffleTrue,num_workers0)
for X, y in test_dl:print(Shape of X [N, C, H, W]: , X.shape)print(Shape of y: , y.shape, y.dtype)break三、搭建网络结构-YOLO-C3模块 print(--------------------------3.1 创建网络结构------------------------)
import torch.nn.functional as F定义网络中需要用到的模块def autopad(k, pNone): # kernel, padding# Pad to sameif p is None:p k // 2 if isinstance(k, int) else [x // 2 for x in k] # auto-padreturn pclass Conv(nn.Module):# Standard convolutiondef __init__(self, c1, c2, k1, s1, pNone, g1, actTrue): # ch_in, ch_out, kernel, stride, padding, groupssuper().__init__()self.conv nn.Conv2d(c1, c2, k, s, autopad(k, p), groupsg, biasFalse)self.bn nn.BatchNorm2d(c2)self.act nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())def forward(self, x):return self.act(self.bn(self.conv(x)))class Bottleneck(nn.Module):# Standard bottleneckdef __init__(self, c1, c2, shortcutTrue, g1, e0.5): # ch_in, ch_out, shortcut, groups, expansionsuper().__init__()c_ int(c2 * e) # hidden channelsself.cv1 Conv(c1, c_, 1, 1)self.cv2 Conv(c_, c2, 3, 1, gg)self.add shortcut and c1 c2def forward(self, x):return x self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))class C3(nn.Module):# CSP Bottleneck with 3 convolutionsdef __init__(self, c1, c2, n1, shortcutTrue, g1, e0.5): # ch_in, ch_out, number, shortcut, groups, expansionsuper().__init__()c_ int(c2 * e) # hidden channelsself.cv1 Conv(c1, c_, 1, 1)self.cv2 Conv(c1, c_, 1, 1)self.cv3 Conv(2 * c_, c2, 1) # actFReLU(c2)self.m nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e1.0) for _ in range(n)))def forward(self, x):return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim1))用上述模块组建网络class model_K(nn.Module):def __init__(self):super(model_K, self).__init__()# 卷积模块self.Conv Conv(3, 32, 3, 2) # C3模块1self.C3_1 C3(32, 64, 3, 2)# 全连接网络层用于分类self.classifier nn.Sequential(nn.Linear(in_features802816, out_features100),nn.ReLU(),nn.Linear(in_features100, out_features4))def forward(self, x):x self.Conv(x)x self.C3_1(x)x torch.flatten(x, start_dim1)x self.classifier(x)return x打印设备信息、模型结构、模型参数量device cuda if torch.cuda.is_available() else cpu
print(Using {} device.format(device))model model_K().to(device)
model# 统计模型参数量以及其他指标
import torchsummary as summary
summary.summary(model, (3, 224, 224))网络结构没有打印出本来应该打印在Using cpu device后边的原因是没有写成print(model)在jupyter notebook中可以直接打印model的结构此处只打印了模型参数量信息。 四、开始训练 4.1 设置超参数 4.2 编写训练函数 4.3 编写测试函数 4.4 开始正式训练epochs20 如果将优化器换成 SGD 会发生什么呢请自行探索接下来发生的诡异事件的原因。 print(--------------------------4.1 编写训练函数------------------------)
# 训练循环
def train(dataloader, model, loss_fn, optimizer):size len(dataloader.dataset) # 训练集的大小num_batches len(dataloader) # 批次数目, (size/batch_size向上取整)train_loss, train_acc 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签X, y X.to(device), y.to(device)# 计算预测误差pred model(X) # 网络输出loss loss_fn(pred, y) # 计算网络输出和真实值之间的差距targets为真实值计算二者差值即为损失# 反向传播optimizer.zero_grad() # grad属性归零loss.backward() # 反向传播optimizer.step() # 每一步自动更新# 记录acc与losstrain_acc (pred.argmax(1) y).type(torch.float).sum().item()train_loss loss.item()train_acc / sizetrain_loss / num_batchesreturn train_acc, train_loss
print(--------------------------4.2 编写测试函数------------------------)
def test (dataloader, model, loss_fn):size len(dataloader.dataset) # 测试集的大小num_batches len(dataloader) # 批次数目, (size/batch_size向上取整)test_loss, test_acc 0, 0# 当不进行训练时停止梯度更新节省计算内存消耗with torch.no_grad():for imgs, target in dataloader:imgs, target imgs.to(device), target.to(device)# 计算losstarget_pred model(imgs)loss loss_fn(target_pred, target)test_loss loss.item()test_acc (target_pred.argmax(1) target).type(torch.float).sum().item()test_acc / sizetest_loss / num_batchesreturn test_acc, test_lossprint(--------------------------4.3 正式训练------------------------)
import copyoptimizer torch.optim.Adam(model.parameters(), lr 1e-4)
loss_fn nn.CrossEntropyLoss() # 创建损失函数epochs 20train_loss []
train_acc []
test_loss []
test_acc []best_acc 0 # 设置一个最佳准确率作为最佳模型的判别指标for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss train(train_dl, model, loss_fn, optimizer)model.eval()epoch_test_acc, epoch_test_loss test(test_dl, model, loss_fn)# 保存最佳模型到 best_modelif epoch_test_acc best_acc:best_acc epoch_test_accbest_model copy.deepcopy(model)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)# 获取当前的学习率lr optimizer.state_dict()[param_groups][0][lr]template (Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E})print(template.format(epoch1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss, lr))# 保存最佳模型到文件中
PATH ./P8_best_model.pth # 保存的参数文件名
torch.save(model.state_dict(), PATH)
print(Done)训练20个epoch后得到的test_acc87.1%。
五、查看训练结果
print(--------------------------5.1 Accuracy Loss图------------------------)
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings(ignore) #忽略警告信息
plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示负号
plt.rcParams[figure.dpi] 100 #分辨率epochs_range range(epochs)plt.figure(figsize(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, labelTraining Accuracy)
plt.plot(epochs_range, test_acc, labelTest Accuracy)
plt.legend(loclower right)
plt.title(Training and Validation Accuracy)plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, labelTraining Loss)
plt.plot(epochs_range, test_loss, labelTest Loss)
plt.legend(locupper right)
plt.title(Training and Validation Loss)
plt.savefig(./P8_Accuracy_Loss.png)
plt.show()print(--------------------------5.2 模型评估------------------------)
best_model.eval()
epoch_test_acc, epoch_test_loss test(test_dl, best_model, loss_fn)
epoch_test_acc, epoch_test_loss
# 查看是否与我们记录的最高准确率一致
epoch_test_acc六、总结forward函数内部没有调用新增加的层训练所使用的网络结构还是原来的结构注意通道参数的一致训练结果待修改 说明init函数内增加或减少层数forward函数内部也要统一。注意通道数的计算。 本次学习总结部分无效。 增加C3模块forward()函数内部无变化观察test_acc的值
C3模块个数test_acc187.1%291.6%392.0%
增加C3模块forward()函数内部也相应增加C3模块观察test_acc的值
C3模块个数test_acc187.1%2%3%
6.1 增加C3模块网络结构代码已修改训练结果待修改
1增加一个C3模块test_acc91.6%增加了4.5%
模型定义内容2.0修改如下 增加一个C3模块class model_K(nn.Module):def __init__(self):super(model_K, self).__init__()# 卷积模块self.Conv Conv(3, 32, 3, 2) # C3模块1self.C3_1 C3(32, 64, 3, 2)# C3模块2self.C3_2 C3(64, 128, 3, 2)# 全连接网络层用于分类self.classifier nn.Sequential(nn.Linear(in_features802816, out_features100),nn.ReLU(),nn.Linear(in_features100, out_features4))此处forward()函数内部没有同步增加一个C3模块def forward(self, x):x self.Conv(x)x self.C3_1(x)x self.C3_2(x)x torch.flatten(x, start_dim1)x self.classifier(x)return x增加一个C3模块后参数量的变化 训练结果如下 可以看到增加一个C3模块后的test_acc91.6%比原来的87.1%增加了4.5%。 Accuracy-Loss图如下所示
2 增加两个C3模块test_acc92.0%与(1)相比增加了0.4%
epoch15~17时test_acc93.3% epoch18时test_acc跌至92.0% epoch19时test_acc跌至88.9% epoch20时test_acc恢复至92.0% 模型评估得到的epoch_test_acc93.8%训练中得到的最高准确率epoch14时
## 6.2 增加C3模块forward()函数内部同步增加C3模块【报错通道数对不上此部分代码需要调整】
