基于深度学习MindSpore框架开发的零售商品识别项目python源码+项目说明.zip

1.项目代码功能经验证ok，确保稳定可靠运行。欢迎下载使用！在使用过程中，如有问题或建议，请及时私信沟通。 2.主要针对各个计算机相关专业，包括计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师或企业员工使用。 3.项目具有丰富的拓展空间，不仅可作为入门进阶，也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.当然也鼓励大家基于此进行二次开发。 5.期待你能在项目中找到乐趣和灵感，也欢迎你的分享和反馈！ 【资源说明】 基于深度学习MindSpore框架开发的零售商品识别项目python源码+项目说明 数据处理 （1）Structure-Retention Resize策略，保留原有的结构化信息。性能上能够提升3个百分点。 （2）测试了Cutout,AutoAug, Random Erasing等策略。 （3）后处理使用了FixRes的技巧。 模型架构说明 **SE_ResNeXt50**是ResNeXt50的一个变体。ResNeXt50是一个简单、高度模块化的图像分类网络架构。 ResNeXt50的设计为统一的、多分支的架构，该架构仅需设置几个超参数。此策略提供了一个新维度，即“基数”（转换集的大小），它是深度和宽度维度之外的一个重要因素 Squeeze & Excitation Module 能够让模型自适应调整各个通道的重要程度，学习通道之间的相关性，提升模型的感受野。 SE_ResNeXt整体网络架构如下：  **Inception_resnet_v2**: 是Inception系列经典模型，由浅至深是有Inception-ResNet-A,Inception-ResNet-B,Inception-ResNet-C组成，B中使用了7x1和1x7大卷积核可以有效提升模型感受野。 模型优势：可以在更少的Epoch内部达到更高的准确率。  **ResNet50_BAM**: BottleNeck Attention Module 是通道注意力机制和空间注意力机制的综合，并行使用两种注意力及价值。其中，通道注意力机制使用的是SE，空间注意力则同各国特征图提取Spatial Attention，将两者结合起来队员图进行特征重标定。  模型进一步改进：提出了SEResNet50_wider等wider系列模型，进行了模型容量扩充。  7. 经验总结 （1）针对长宽比不均匀的数据，使用Structure-Retention Resize方法非常有效。 （2）小的Batch Size训练得到的模型的泛化能力更强。 （3）训练更长Epoch可以获得性能的提升，但迫于时间限制，并没有采取这个方案 （4）网络设计方面应选择在深层使用更大Kernel 的卷积操作或者使用注意力模块来增大感受野，有助于模型性能提升。