交通标识分类

author: Luvoy

这是一个多分类

流程&思路

0. 将一些超参数存放在一个文件中, 用的时候方便读取
   • 这里用了一个py文件, 其他py文件用import方式读取
1. 先对数据进行了标注, 并生成csv文件
2. 用csv文件, 生成数据集
   • 定义了MyDataset类
   • 每条数据格式: {'image': image, 'class_id': class_id}
   • transform操作在此文件完成, 包括放缩和翻转
   • dataloader也直接生成了, 用的话直接import
3. 验证数据集, 用显示图片和类别的方式可视化验证
   • 用matplotlib制作了一个显示器, 可以点击按钮来显示上一张下一张, 可以随机也可以按顺序
4. 搭建网络模型
   • 包括ResNet18和老项目那个简单的网络
   • FC层返回的维度和分类的总数有关
5. 训练
   • 优化器SGD
   • Loss交叉熵
   • 借鉴了老项目的结构
   • 训练完成会将Loss下降过程可视化
   • 训练时会及时保存一个日志文件
   • 训练完会保存模型
6. 预测
   • 加载已保存的模型
   • 用test的数据集进行predict

文件结构

训练结果

结果概述

• 之前自己定义了一个网络, 训练了50epoch准确率还是40多, 所以放弃了, 不予展示了
• 50Epoch
• 训练时间: 10h
• 最终准确率: 97.7%左右
• predict时, 2462张通过, 58张预测错误
  • 而且我发现predict的数据集, shuffle了,错误更少

Loss和Accuracy走势情况:

配置

python version = 3.7.6

torch version = 1.4.0

CUDA version = 10.2

GPU: GTX 960m

CPU: i7-6700HQ

MEMORY: 16GB

Platform: Ubuntu 18.04