基于深度学习的图像美学质量评价系统设计与实现python源代码.zip

# Aesthetic 毕业论文《基于深度学习的图像美学质量评价系统设计与实现》代码部分 ## 运行环境 1. 操作系统：Ubuntu 20.04 2. CPU：Xeon(R) Gold 6130，6 CPU cores 3. GPU：NVIDIA V00 32GB显存 4. 内存：25 GB ## 用到的库 - PyTorch + ignite：用于模型的训练工作，使用ignite简化代码编写，[PyTorch](https://pytorch.org) [PyTorch-Ignite](https://pytorch-ignite.ai) - PySide6 + QML：用于编写用户界面和交互逻辑，[Qt for Python](https://doc.qt.io/qtforpython-6/) - Pandas + Jupyter Notebook + Seaborn + Matplotlib + scikit-learn：用于数据分析和预处理 ## 依赖安装 ```shell # Create anaconda virtual environment conda create -n aesthetic python=3.10 conda activate aesthetic # Dependencies for PyTorch and Ignite conda install pytorch torchvision torchaudio cpuonly -c pytorch # Use CPU # conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia # Use CUDA 11.7 # conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia # Use CUDA 11.8 conda install ignite -c pytorch # Dependencies for data analyzing conda install scikit-learn seaborn pandas jupyter -c conda-forge # Other dependencies pip install pyside6 BeautifulReport click pydantic loguru tensorboardX tensorboard ``` ## 数据集及模型权重 本文使用的数据集以及训练好的模型权重文件如下：[分享链接](https://pan.baidu.com/s/1CtrsivRk3dOUEUNJPzHJjA?pwd=ew77) ### 数据集 本文使用的数据集来自三个数据集经过处理之后得到的结果： 1. AVA数据集：随机选取10000张图片，并保存其对应的标签 2. AADB数据集：随机选取10000张图片，并保存其对应的标签 3. CUHK-PQ数据集：在HighQuality和LowQuality中各自随机选取5000张图片，共计10000张 ### 模型权重 在启动桌面应用程序时需要使用到训练好的模型权重文件，现对其命名规则进行说明。 | 是否使用Attention | Kernel Size | 是否使用DWA | 文件名称 | |---------------|-------------|---------|--------| | ✖ | 3 | ✖ | 030.pt | | ✖ | 5 | ✖ | 050.pt | | ✔ | 3 | ✖ | 130.pt | | ✔ | 3 | ✔ | 131.pt | | ✔ | 5 | ✖ | 150.pt | | ✔ | 5 | ✔ | 151.pt | 如果需要使用自己训练的模型，那么请按照上述规则保存模型文件，并放置在*pretrained*文件夹中 ## 最终目录结构 ```text . +---common # 存放一些公用的操作和变量 +---data # 数据被放在这里 +---datasets # 数据集的定义 +---models # 模型和损失函数的定义 +---notebooks # 存放了数据分析的一些Jupyter Notebooks +---outputs # 训练和测试过程的输出 | +---checkpoints | \---logs +---pretrained # 将预训练的模型放在这里，用与桌面应用程序 +---tests # 一些单元测试，用以检验程序能否正常运行 +---train # 训练模型的代码 \---ui # 应用封装的界面 ``` ## 运行应用 ```shell python main.py test # 启动测试流程，测试代码能否正常运行 python main.py train # 训练模型 python main.py run # 启动桌面应用程序 ``` 其中训练模型需要用到的的参数放在了*config.json*文件中，具体含义参见*train/config.py*文件。