pytorch_classification

Introduction

La fonction de classification de l'image Pytorch basée sur la torchision implémentée.

Mises à jour récentes

• Mise à jour 2022.11.05

  • Solution d'inférence Tensorrt C ++ nouvellement ajoutée

• Mis à jour en 2022.10.29, refactoring de code, les fonctions de base sont fondamentalement les mêmes.

  • Soutenir la formation DDP Pytorch
  • Raisonnement du modèle qui prend en charge C ++ Libtorch
  • Support les scripts en cours d'exécution en un seul clic
  • Ajouter le module de journal

Si vous êtes habitué à la version précédente, veuillez consulter le code de la version V1: V1.

Fonctions principales:

En utilisant Pytorch pour réaliser la classification des images, en fonction de la torchision, il peut étendre les réseaux de classification d'images tels que DensityNet, Resnext, MobileNet, EfficientNet, Swin Transformer, etc.

Si utile, bienvenue à Star

Implémenter les fonctions

• Les fonctions de base utilisent Pytorch pour réaliser la classification des images
• Comprend l'ajustement du taux d'apprentissage en cosinus avec l'échauffement
• Le taux d'apprentissage par étape est optimisé
• Prédiction, pondération et fusion de prédiction de fusion et de vote multi-modes
• Utilisez Flask + Redis pour implémenter le déploiement de l'API Cloud Model (TAG V1)
• Déploiement du modèle de libtorch C ++
• Augmentation pour la prédiction lors de l'utilisation du test TTA (TAG V1)
• Ajout de la mise en œuvre de Pytorch de l'étiquette lisse (TAG SONGING) (TAG V1)
• Ajoutez aux fonctionnalités d'extraire à l'aide de CNN et classifiez à l'aide de SVM, RF, MLP, KNN et d'autres classificateurs (Tag V1).
• Visualiser la couche de fonctionnalité

Environnement de course

• python3.7
• pytorch 1.8.1
• TorchVision 0.9.1
• OpenCV (Utilisation de Libtorch CPP Inférence, version 3.4.6) (Facultatif)
• Utilisation du raisonnement CPP libtorch (facultatif)

Commencer rapidement

Formulaire de jeu de données

La forme d'organisation de l'ensemble de données, reportez-vous à Sample_Files / IMGS / ListFile.txt

Test de formation

Modifiez les paramètres dans run.sh et run run.sh directement.

Paramètres principaux modifiés:

 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

inférence libtorch

Le code est stocké dans le dossier cpp_inference .

1. Utilisez cpp_inference / traced_model / trace_model.py pour exporter le modèle formé.

2. Compilez le code OpenCV et libtorch requis à cpp_inference/third_party_library

3. Compilation

 sh compile.sh

4. Test de fichiers exécutable

 ./bin/imgCls imgpath