pytorch_classification

Einführung

Die Pytorch -Bildklassifizierungsfunktion basierend auf der implementierten Torchision.

Neuere Updates

• Aktualisiert 2022.11.05

  • Neu hinzugefügte Tensorrt C ++ Inferenzlösung

• Die im Jahr 2022.10.29 aktualisierten Code Refactoring sind grundlegende Funktionen im Grunde genommen gleich.

  • Unterstützen Sie das Pytorch -DDP -Training
  • Modellgutung, die C ++ LIBTORCH unterstützt
  • Unterstützen Sie Skripte, die in einem Klick ausgeführt werden
  • Protokollmodul hinzufügen

Wenn Sie an die vorherige Version gewöhnt sind, finden Sie im Code der V1 -Version: V1 -Version.

Hauptfunktionen:

Mit Pytorch zur Realisierung der Bildklassifizierung, basierend auf Torchision, können Bildklassifizierungsnetzwerke wie DensityNet, Resnext, Mobilenet, EfficienceNet, Swin Transformator usw. erweitert werden.

Wenn nützlich, willkommen bei Star

Funktionen implementieren

• Grundlegende Funktionen verwenden Pytorch, um die Bildklassifizierung zu realisieren
• Beinhaltet die Anpassung der Kosinus -Lernrate mit dem Aufwärmen
• Die Stieflernrate des Aufwärmens ist optimiert
• Multimodell-Fusionsvorhersage, Gewichtung und Stimmabfusion
• Verwenden Sie Flask + Redis, um die Bereitstellung von Modell -Cloud -API -Bereitstellungen für Modell -Cloud -API zu implementieren (Tag V1).
• Modellbereitstellung von C ++ LIBTorch
• Erweiterung der Vorhersage bei Verwendung des TTA -Tests (Tag V1)
• Hinzufügen von Pytorch -Implementierung von Etikett glattes (Tag -Glättung) (Tag v1)
• Hinzufügen, um Funktionen mit CNN zu extrahieren und mithilfe von SVM, RF, MLP, KNN und anderen Klassifikatoren zu klassifizieren (Tag V1).
• Visualisieren Sie die Feature -Ebene

Laufumgebung

• Python3.7
• Pytorch 1.8.1
• Torchvision 0.9.1
• OpenCV (Verwendung von Libtorch CPP -Inferenz, Version 3.4.6) (optional)
• LIBTORCH CPP -Argumentation (optional)

Fangen Sie schnell an

Datensatzformular

Die Organisationsform des Datensatzes finden Sie unter sample_files/imgs/listfile.txt

Trainingstest

Ändern Sie die Parameter in run.sh und run.sh direkt.

Hauptmodifizierte Parameter:

 OUTPUT_PATH 模型保存和log文件的路径

TRAIN_LIST 训练数据集的list文件
VAL_LIST  测试集合的list文件
model_name 默认是resnet50
lr 学习率
epochs 训练总的epoch
batch-size  batch的大小
j dataloader的num_workers的大小
num_classes 类别数

Libtorch -Inferenz

Der Code wird im Ordner cpp_inference gespeichert.

1. Verwenden Sie CPP_Inference/Traced_Model/Trace_Model.py, um das trainierte Modell zu exportieren.

2. Kompilieren Sie den erforderlichen OpenCV- und Libtorch -Code in cpp_inference/third_party_library

3. Zusammenstellung

 sh compile.sh

4. Ausführbare Dateitests

 ./bin/imgCls imgpath