PaddlePaddle迁移学习做图像分类，数十种高精度模型任意切换

Posted 2022-04-26 datayx

人工智能大数据与深度学习  公众号：datayx

图像分类是计算机视觉的重要领域，它的目标是将图像分类到预定义的标签。近期，许多研究者提出很多不同种类的神经网络，并且极大的提升了分类算法的性能。本文将介绍在数据量很少的情况下，如何使用PaddlePaddle进行迁移学习图像分类。

为什么用PaddlePaddle ？因为百度的AI Studio开发平台可以用免费GPU ～ AI Studio上只能用PaddlePaddle。

明天将介绍keras版～

关键词：迁移学习，免费GPU，图像分类

步骤一  收集数据：

为什么很多教程一开头都介绍手写数字识别？就因为数据已经整理好了。其中的数据处理过程并不讲。

但对于很多人来说，直接将数据整理成模型输入的格式就是一个难点，单单讲手写数字识别并不实用，而且已经写烂大街了，看这样都例子反而让人产生更多都疑惑。

如果小白们在某本新书或者课程上还拿手写数字识别当案例，建议就不要看了～

回到本教程，我们把收集到的图片数据集按分类文件夹放好，比如我们要做的是花朵图片分类，我们新建一个data文件夹，里面存放5类花朵数据，文件夹名字就是类别名字，如下图

步骤二 ： 数据、代码上传AI Studio 平台

AI Studio 地址

https://aistudio.baidu.com/aistudio/projectoverview/public/1

创建一个新项目，项目信息根据自己需求去填，添加数据集的时候要把data文件夹压缩了再上传。

代码部分

本教程使用的是百度PaddleCV的预训练模型，总共好几十种，默认是ResNet50

详细文档地址 

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification?fr=gzh#%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87

我们将该项目代码下载下来，并上传至AI Studio

这份代码，我们主要看 

train.py

它的参数很多，我们可以使用默认的，需要修改的参数，在下一步会讲到。

步骤三： 编辑代码、训练模型

新建项目之后，进入项目就是打开了notebook界面

按流程来，我们先将上传的数据集和代码解压。使用下面代码

import zipfile

#路径要填好

#要解压的文件路径

azip = zipfile.ZipFile(/home/aistudio/data/data13196/data.zip) 

#解压后存放的路径

azip.extractall(/home/aistudio/data/data13196/)

接着我们预处理数据，将数据编辑成模型输入的格式，代码如下

https://aistudio.baidu.com/aistudio/projectdetail/56889

只需要根据各自实际情况，修改设置我们数据的位置即可

all_file_dir = /home/aistudio/data/data13196/data

train.txt:训练集合的标签文件，每一行采用"空格"分隔图像路径与图像的标签，例如：

train/n02483708/n02483708_2436.jpeg 1

val.txt:训练集合的标签文件，每一行采用"空格"分隔图像路径与图像的标签，例如：

val/ILSVRC2012_val_00000001.jpeg 2

接下来可以开始训练了，使用代码：

!python work/image_classification/train.py

--data_dir=data/data13196/preteatment

--class_dim=5

这里我只修改了两个参数 --data_dir 上面预处理后的数据路径，--class_dim  要分类的类别数。

work/image_classification/train.py

这个是我们上传代码后，train.py的完整路径（根据自己实际情况修改）

如果要使用其他预训练模型，要从

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification?fr=gzh#%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87

下载预训练模型，并上传。

然后添加相应的参数：

--model=model_name #模型名字
--pretrained_model=$path_to_pretrain_model #预训练模型路径

模型名字可以在这里查看

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification/scripts/train

经过以上步骤，就可以训练出一个高准确率（最高可达99%以上）的图像分类模型。模型评估，预测代码在项目中也已经提供，详细请看

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification

---

不断更新资源

深度学习、机器学习、数据分析、python

 搜索公众号添加： datayx  

长按图片，识别二维码，点关注