一个关于宫颈癌的分类的项目

## Classification：分类模型在Pytorch当中的实现 --- ## 目录 1. [仓库更新 Top News](#仓库更新) 2. [所需环境 Environment](#所需环境) 3. [文件下载 Download](#文件下载) 4. [训练步骤 How2train](#训练步骤) 5. [预测步骤 How2predict](#预测步骤) 6. [评估步骤 How2eval](#评估步骤) 7. [参考资料 Reference](#Reference) ## Top News **`2022-03`**:**进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整。** BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/classification-pytorch/tree/bilibili **`2021-01`**:**仓库创建，支持模型训练，大量的注释，多个可调整参数。支持top1-top5的准确度评价。** ## 所需环境 pytorch == 1.2.0 ## 文件下载 训练所需的预训练权重都可以在百度云下载。 链接: https://pan.baidu.com/s/18Ze7YMvM5GpbTlekYO8bcA 提取码: 5wym 训练所用的示例猫狗数据集也可以在百度云下载。 链接: https://pan.baidu.com/s/1hYBNG0TnGIeWw1-SwkzqpA 提取码: ass8 ## 训练步骤 1. datasets文件夹下存放的图片分为两部分，train里面是训练图片，test里面是测试图片。 2. 在训练之前需要首先准备好数据集，在train或者test文件里里面创建不同的文件夹，每个文件夹的名称为对应的类别名称，文件夹下面的图片为这个类的图片。文件格式可参考如下： ``` |-datasets |-train |-cat |-123.jpg |-234.jpg |-dog |-345.jpg |-456.jpg |-... |-test |-cat |-567.jpg |-678.jpg |-dog |-789.jpg |-890.jpg |-... ``` 3. 在准备好数据集后，需要在根目录运行txt_annotation.py生成训练所需的cls_train.txt，运行前需要修改其中的classes，将其修改成自己需要分的类。 4. 之后修改model_data文件夹下的cls_classes.txt，使其也对应自己需要分的类。 5. 在train.py里面调整自己要选择的网络和权重后，就可以开始训练了！ ## 预测步骤 ### a、使用预训练权重 1. 下载完库后解压，model_data已经存在一个训练好的猫狗模型mobilenet025_catvsdog.h5，运行predict.py，输入 ```python img/cat.jpg ``` ### b、使用自己训练的权重 1. 按照训练步骤训练。 2. 在classification.py文件里面，在如下部分修改model_path、classes_path、backbone和alpha使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类，backbone对应使用的主干特征提取网络，alpha是当使用mobilenet的alpha值**。 ```python _defaults = { #--------------------------------------------------------------------------# # 使用自己训练好的模型进行预测一定要修改model_path和classes_path！ # model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt # 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改 #--------------------------------------------------------------------------# "model_path" : 'model_data/mobilenet_catvsdog.pth', "classes_path" : 'model_data/cls_classes.txt', #--------------------------------------------------------------------# # 输入的图片大小 #--------------------------------------------------------------------# "input_shape" : [224, 224], #--------------------------------------------------------------------# # 所用模型种类： # mobilenet、resnet50、vgg16是常用的分类网络 # cspdarknet53用于示例如何使用mini_imagenet训练自己的预训练权重 #--------------------------------------------------------------------# "backbone" : 'mobilenet', #-------------------------------# # 是否使用Cuda # 没有GPU可以设置成False #-------------------------------# "cuda" : True } ``` 3. 运行predict.py，输入 ```python img/cat.jpg ``` ## 评估步骤 1. datasets文件夹下存放的图片分为两部分，train里面是训练图片，test里面是测试图片，在评估的时候，我们使用的是test文件夹里面的图片。 2. 在评估之前需要首先准备好数据集，在train或者test文件里里面创建不同的文件夹，每个文件夹的名称为对应的类别名称，文件夹下面的图片为这个类的图片。文件格式可参考如下： ``` |-datasets |-train |-cat |-123.jpg |-234.jpg |-dog |-345.jpg |-456.jpg |-... |-test |-cat |-567.jpg |-678.jpg |-dog |-789.jpg |-890.jpg |-... ``` 3. 在准备好数据集后，需要在根目录运行txt_annotation.py生成评估所需的cls_test.txt，运行前需要修改其中的classes，将其修改成自己需要分的类。 4. 之后在classification.py文件里面修改如下部分model_path、classes_path、backbone和alpha使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类，backbone对应使用的主干特征提取网络，alpha是当使用mobilenet的alpha值**。 ```python _defaults = { #--------------------------------------------------------------------------# # 使用自己训练好的模型进行预测一定要修改model_path和classes_path！ # model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt # 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改 #--------------------------------------------------------------------------# "model_path" : 'model_data/mobilenet_catvsdog.pth', "classes_path" : 'model_data/cls_classes.txt', #--------------------------------------------------------------------# # 输入的图片大小 #--------------------------------------------------------------------# "input_shape" : [224, 224], #--------------------------------------------------------------------# # 所用模型种类： # mobilenet、resnet50、vgg16是常用的分类网络 # cspdarknet53用于示例如何使用mini_imagenet训练自己的预训练权重 #--------------------------------------------------------------------# "backbone" : 'mobilenet', #-------------------------------# # 是否使用Cuda # 没有GPU可以设置成False #-------------------------------# "cuda" : True } ``` 5. 运行eval_top1.py和eval_top5.py来进行模型准确率评估。 ## Reference https://github.com/keras-team/keras-applications