[train hyper-parameters: Namespace(batch_size=16, epochs=50)]
[epoch: 1]
train loss:0.1960 test accuracy:0.1111
[epoch: 2]
train loss:0.1406 test accuracy:0.4314
[epoch: 3]
train loss:0.1152 test accuracy:0.3856
[epoch: 4]
train loss:0.0974 test accuracy:0.5948
[epoch: 5]
train loss:0.0881 test accuracy:0.5686
[epoch: 6]
train loss:0.0749 test accuracy:0.6536
[epoch: 7]
train loss:0.0698 test accuracy:0.6928
[epoch: 8]
train loss:0.0701 test accuracy:0.6993
[epoch: 9]
train loss:0.0597 test accuracy:0.6732
[epoch: 10]
train loss:0.0594 test accuracy:0.6405
[epoch: 11]
train loss:0.0520 test accuracy:0.7451
[epoch: 12]
train loss:0.0558 test accuracy:0.6078
[epoch: 13]
train loss:0.0554 test accuracy:0.7124
[epoch: 14]
train loss:0.0435 test accuracy:0.6797
[epoch: 15]
train loss:0.0393 test accuracy:0.7190
[epoch: 16]
train loss:0.0393 test accuracy:0.7320
[epoch: 17]
train loss:0.0394 test accuracy:0.6667
[epoch: 18]
train loss:0.0388 test accuracy:0.7255
[epoch: 19]
train loss:0.0300 test accuracy:0.6928
[epoch: 20]
train loss:0.0352 test accuracy:0.7190
[epoch: 21]
train loss:0.0412 test accuracy:0.7255
[epoch: 22]
train loss:0.0275 test accuracy:0.7516
[epoch: 23]
train loss:0.0251 test accuracy:0.6928
[epoch: 24]
train loss:0.0280 test accuracy:0.7124
[epoch: 25]
train loss:0.0324 test accuracy:0.7059
[epoch: 26]
train loss:0.0405 test accuracy:0.6928
[epoch: 27]
train loss:0.0253 test accuracy:0.7516
[epoch: 28]
train loss:0.0196 test accuracy:0.7124
[epoch: 29]
train loss:0.0196 test accuracy:0.7190
[epoch: 30]
train loss:0.0247 test accuracy:0.7059
[epoch: 31]
train loss:0.0252 test accuracy:0.7059
[epoch: 32]
train loss:0.0205 test accuracy:0.7124
[epoch: 33]
train loss:0.0208 test accuracy:0.7647
[epoch: 34]
train loss:0.0225 test accuracy:0.7124
[epoch: 35]
train loss:0.0245 test accuracy:0.7320
[epoch: 36]
train loss:0.0250 test accuracy:0.7124
[epoch: 37]
train loss:0.0198 test accuracy:0.6928
[epoch: 38]
train loss:0.0135 test accuracy:0.7320
[epoch: 39]
train loss:0.0251 test accuracy:0.7320
[epoch: 40]
train loss:0.0258 test accuracy:0.6993
[epoch: 41]
train loss:0.0233 test accuracy:0.7190
[epoch: 42]
train loss:0.0140 test accuracy:0.7386
[epoch: 43]
train loss:0.0143 test accuracy:0.7974
[epoch: 44]
train loss:0.0138 test accuracy:0.7320
[epoch: 45]
train loss:0.0129 test accuracy:0.7778
[epoch: 46]
train loss:0.0131 test accuracy:0.6993
[epoch: 47]
train loss:0.0142 test accuracy:0.7386
[epoch: 48]
train loss:0.0148 test accuracy:0.7647
[epoch: 49]
train loss:0.0136 test accuracy:0.7647
[epoch: 50]
train loss:0.0156 test accuracy:0.7908
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
【基于mobilenet网络对25种宝石图像分类数据集的迁移学习项目】 【包含代码、数据集和训练好的权重文件,可直接运行】 项目总大小:21MB 本数据集分为以下25类:Alexandrite、Danburite等等共25类别(每个类别均有25-35张图片左右) 下载解压后的图像目录:训练集(658张图片)、和测试集(153张图片) data-train 训练集-每个子文件夹放同类别的图像,文件夹名为分类类别 data-test 测试集-每个子文件夹放同类别的图像,文件夹名为分类类别 【项目介绍,shufflenet的参数量为127,9229】 网络训练的时候采用cos 学习率自动衰减,训练了50个epoch。模型在测试集最好的表现达到80%精度,加大epoch可以增加精度。在run_results 目录下存有最好的权重文件,以及训练日志和loss、精度曲线等等 预测的时候,只需要运行predict即可,代码会自动将inference下所有图片推理,并取前三个概率最大类别的绘制在左上角 【训练自己的数据参考readme文件,不需要更改,代码会自动生成,例如分类类别个数等等】
资源推荐
资源详情
资源评论
收起资源包目录
经典轻量级CNN网络之ShuffleNet 图像分类网络实战项目:25种宝石图像分类数据集(迁移学习) (826个子文件)
variscite_32.jpg 212KB
fluorite_2.jpg 203KB
pearl_36.jpg 186KB
kunzite_1.jpg 184KB
almandine_21.jpg 183KB
almandine_30.jpg 145KB
labradorite_15.jpg 134KB
sapphire blue_10.jpg 115KB
malachite_10.jpg 94KB
fluorite_29.jpg 93KB
labradorite_0.jpg 87KB
benitoite_20.jpg 84KB
emerald_7.jpg 83KB
sapphire blue_31.jpg 75KB
rhodochrosite_9.jpg 73KB
diamond_0.jpg 72KB
emerald_40.jpg 72KB
danburite_21.jpg 72KB
zircon_6.jpg 71KB
jade_4.jpg 71KB
sapphire blue_36.jpg 69KB
fluorite_4.jpg 68KB
fluorite_1.jpg 68KB
diamond_1.jpg 67KB
danburite_30.jpg 67KB
beryl golden_14.jpg 67KB
tanzanite_15.jpg 67KB
diamond_6.jpg 66KB
beryl golden_35.jpg 66KB
diamond_4.jpg 65KB
kunzite_32.jpg 63KB
zircon_15.jpg 62KB
fluorite_22.jpg 61KB
beryl golden_25.jpg 58KB
emerald_25.jpg 58KB
labradorite_1.jpg 57KB
emerald_26.jpg 57KB
variscite_9.jpg 57KB
alexandrite_32.jpg 56KB
rhodochrosite_11.jpg 54KB
danburite_22.jpg 53KB
diamond_5.jpg 53KB
emerald_39.jpg 53KB
benitoite_8.jpg 52KB
variscite_22.jpg 51KB
danburite_35.jpg 51KB
kunzite_4.jpg 50KB
variscite_11.jpg 50KB
kunzite_0.jpg 50KB
diamond_2.jpg 49KB
sapphire blue_0.jpg 49KB
zircon_21.jpg 49KB
tanzanite_2.jpg 48KB
zircon_17.jpg 47KB
danburite_15.jpg 47KB
diamond_7.jpg 46KB
zircon_22.jpg 45KB
onyx black_10.jpg 45KB
sapphire blue_32.jpg 44KB
zircon_20.jpg 44KB
labradorite_8.jpg 43KB
alexandrite_4_result.jpg 43KB
beryl golden_36.jpg 43KB
variscite_16.jpg 43KB
malachite_1.jpg 42KB
zircon_1.jpg 42KB
zircon_19.jpg 42KB
zircon_26.jpg 42KB
beryl golden_1.jpg 41KB
benitoite_26.jpg 41KB
benitoite_16.jpg 41KB
hessonite_32.jpg 40KB
emerald_24.jpg 40KB
beryl golden_0.jpg 40KB
rhodochrosite_27.jpg 40KB
emerald_9.jpg 39KB
sapphire blue_8.jpg 39KB
emerald_23.jpg 39KB
beryl golden_5.jpg 38KB
emerald_20.jpg 38KB
rhodochrosite_7.jpg 38KB
sapphire blue_35.jpg 38KB
rhodochrosite_29.jpg 37KB
zircon_13.jpg 37KB
fluorite_27.jpg 36KB
alexandrite_35.jpg 36KB
carnelian_27.jpg 36KB
hessonite_20.jpg 36KB
danburite_24.jpg 36KB
alexandrite_19.jpg 35KB
carnelian_13.jpg 35KB
cats eye_0.jpg 35KB
emerald_12.jpg 35KB
beryl golden_7.jpg 35KB
malachite_21.jpg 35KB
alexandrite_5_result.jpg 35KB
carnelian_11.jpg 35KB
cats eye_13.jpg 35KB
iolite_9.jpg 34KB
emerald_11.jpg 34KB
共 826 条
- 1
- 2
- 3
- 4
- 5
- 6
- 9
资源评论
听风吹等浪起
- 粉丝: 2w+
- 资源: 2343
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 绿色便携版Python打包版
- Ngrok内网穿透启动隧道工具
- 异步电机matlab仿真模型
- BMS电池管理控制器,开发板资料 电池管理系统策略开发,应用层软件,开发流程开发
- 基于Transformer的各种变体已经是时间序列以及多元时间序列的一大热点,自注意力机制以及多头自注意力机制本团队已经可以基于matlab平台实现
- 基于自适应在线学习的概率负荷预测(代码)
- 出基于滑模的永磁直线同步电机的鲁棒H无穷控制Matlab程序,对于学习SMC和H无穷的结合可以很好参考
- COMSOL 孔隙尺度渗流模拟,单相及多相渗流模拟,案例复现,水平集(LS)和相场(PF)实现两相流模拟,水驱油,水驱气,二氧化碳驱油等模拟
- 可三相LCL型并网逆变器仿真模型,LCL滤波器,电容电流反馈有源阻尼方法 只采用网侧电流环控制方法时,由于系统的固有谐振峰的存在,以及数字控制延时的影响,通常延时时间 Td=1.5Ts(Ts
- 联电SOA软件平台:基于MATLAB/Simulink加速汽车软件开发生态建设与实现
- 柴油发电机仿真 Matlab Simulink 柴油发电机matlab仿真 微电网仿真 柴油发电仿真 风光柴储微电网 光伏发电 柴油发电 风力发电 储能电池 光柴储微电网 风柴储微电网 风机光伏柴油
- IEEE Access模板
- V2G 充电桩,新能源汽车车载充电机, MATLAB仿真模型 ,PFC+CLLC拓扑; 1. V2G,AC DC,DC DC双向充放电; 2. 前级,双向AC DC单相整流器(PWM),输入AC
- ARM发布Armv9.5架构:迈向更强性能与灵活性的新时代
- 汽车行业面向服务架构(SOA)下传统应用向软件定义汽车(SDV)的迁移方案及挑战
- 西门子1200恒压供水程序+PID+触摸屏 此程序样 例为 一拖三恒压供水程序样,S7-1200PLC和KTP1000PN触摸屏 人机执行PID控制变频器实现恒压供水. 供学习参考,用15
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功