pytorch_classification

Introducción

La función de clasificación de imagen de Pytorch basada en Torchision implementada.

Actualizaciones recientes

• Actualizado 2022.11.05

  • Solución de inferencia tensorrt C ++ recientemente agregada

• Actualizado en 2022.10.29, refactorización de código, las funciones básicas son básicamente las mismas.

  • Apoyo a la capacitación de Pytorch DDP
  • Razonamiento modelo que admite C ++ Libtorch
  • Scripts de soporte que se ejecutan en un solo clic
  • Agregar módulo de registro

Si está acostumbrado a la versión anterior, consulte el código de la versión V1: la versión V1.

Funciones principales:

Uso de Pytorch para realizar la clasificación de imágenes, basada en TorChision, puede extender redes de clasificación de imágenes como denssnet, resnext, mobileNet, eficientenet, transformador de lanza, etc.

Si es útil, bienvenido a Star

Implementar funciones

• Funciones básicas Use Pytorch para realizar la clasificación de imágenes
• Incluye ajuste de la tasa de aprendizaje de coseno con calentamiento
• La tasa de calentamiento de aprendizaje de paso está optimizada
• Predicción de fusión, ponderación y votación de múltiples modelos
• Use Flask + Redis para implementar la implementación de API de la nube modelo (etiqueta V1)
• Despliegue del modelo de C ++ Libtorch
• Aumento para la predicción al usar la prueba TTA (TAG V1)
• Agregar implementación de Pytorch de etiqueta suave (suavizado de etiqueta) (etiqueta V1)
• Agregue para extraer características con CNN y clasificar usando SVM, RF, MLP, KNN y otros clasificadores (TAG V1).
• Visualizar la capa de características

Entorno de funcionamiento

• Python3.7
• Pytorch 1.8.1
• Visión de antorchas 0.9.1
• OPENCV (Uso de la inferencia de LBTorch CPP, versión 3.4.6) (opcional)
• Uso de razonamiento de Libtorch CPP (opcional)

Empezar rápidamente

Formulario de datos

El formulario de organización del conjunto de datos, consulte sample_files/imgs/listfile.txt

Prueba de entrenamiento

Modifique los parámetros en run.sh y run run.sh directamente.

Parámetros modificados principales:

 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

inferencia de libbtorch

El código se almacena en la carpeta cpp_inference .

1. Use cpp_inference/trayed_model/trace_model.py para exportar el modelo capacitado.

2. Compile el código OpenCV y LibTorch requerido en cpp_inference/third_party_library

3. Compilación

 sh compile.sh

4. Prueba de archivo ejecutable

 ./bin/imgCls imgpath