如何制作能够分类120种小狗的图像分类器

电子说

1.2w人已加入

描述

这篇文章会讲解如何制作能够分类120种小狗的图像分类器。

这篇文章中所讲述的内容都是基于colab notebook和fastai技术的深度学习的应用。

为什么使用colab?

使用colab的好处是,你不需要有任何显卡GPU,colab中提供了一块免费的k80带12G显存的GPU

colab是google提供的一个免费的Jupyter notebook的环境,可以省去安装它的功夫

为什么使用fastai?

fastai是一种超级简洁的深度学习工具,代码上甚至比当前Keras还要简洁。

底层是pytorch,能够提供高速的处理性能。

和之前文章中的两个物种(猫和狗)的分类略有不同,这次使用的数据集全部是狗,需要把这些狗分到不同的类别中。也就是说,图片之间特征的区别的差异要比之前猫和狗分类的来的更加细微。

好吧,接下来我们看看如何动手制作。

1.在colab的作业本中配置fastai的环境

!curl https://course.fast.ai/setup/colab | bash

gpu

2.导入fastai包

from fastai import *from fastai.vision import *

3.加载kaggle.json

这里我们准备从kaggle下载所需要的狗的数据集,如果你可以从其他地方得到数据集,那么可以省略步骤3和4,按照自己的方法在环境中导入数据集即可。

!mkdir /content/.kaggle/!mkdir /content/data/dogsbreed/PATH = "/content/data/dogsbreed/"from google.colab import files# load from upload dialoguploaded = files.upload()for fn in uploaded.keys():  with open(f'/content/.kaggle/{fn}', 'wb') as f:    f.write(uploaded[fn])

4.安装kaggle环境

!chmod 600 /content/.kaggle/kaggle.json!pip install kaggle!cp /content/.kaggle/kaggle.json ~/.kaggle/kaggle.json!kaggle config set -n path -v{/content}import kaggle!kaggle competitions download -p /content/data/dogsbreed/ dog-breed-identification

gpu

从结果中可以看到,我们已经从kaggle成功的下载了数据集文件。

5.验证GPU

torch.cuda.is_available()#Truetorch.backends.cudnn.enabled#True

gpu

6.解压缩文件

! cd /content/data/dogsbreed && unzip labels.csv.zip! cd /content/data/dogsbreed && unzip sample_submission.csv.zip! cd /content/data/dogsbreed && unzip test.zip! cd /content/data/dogsbreed && unzip train.zip

7.读取label.csv

labels_df=pd.read_csv(f'{PATH}labels.csv')labels_df.head()

gpu

这里我们可以看到labels.csv中的前五条数据

8.查看狗的类别

labels_df.pivot_table(index='breed',aggfunc=len).sort_values('id',ascending=False)

gpu

这里可以看到一共有120行数据,也就是120种狗的类别,以及每种类别里面有多少条数据。

9.加载数据集并显示

data = ImageDataBunch.from_csv(                      PATH,                      folder='train',                      valid_pct=0.2,                      ds_tfms=get_transforms(),                      size=224,                      test='test',                      suffix='.jpg',                      bs=64).normalize(imagenet_stats)data.show_batch(rows=3, figsize=(10,12))

如果一切顺利,这里会显示出9张狗的图片,并且图片上方会显示相应的狗的类别。

如果只显示了图片,而图片上的标签不是类别的话,那说明数据导入部分存在问题。

OK,我们继续下一步。

10.下载与训练模型并微调

learner = create_cnn(data,models.resnet101,metrics=[accuracy])learner.fit_one_cycle(10)

gpu

这里我们设置了10个epoch,会稍微花费点时间大约40分钟。

可以看到,在最后一个epoch时候,我们的精度在89%。当然我们还可以继续调优:)

或者直接从零开始对每一层权重的训练,这都是可以的。

到这里我们就已经成功的完成了一个120种狗狗的图片分类器的制作啦,怎么样?是不是很简单?希望这篇文章可以给每一个前来阅读的朋友带来收获,对深度学习,图像分类有一个直接的体会。

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分