利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行

## 简介 基于torchision实现的pytorch图像分类功能。 ## 近期更新 * 2022.11.05更新 - 新添加tensorrt c++的推理方案 * 2022.10.29更新，进行代码重构，基本的功能基本一致。 - 支持pytorch ddp的训练 - 支持c++ libtorch的模型推理 - 支持script脚本一键运行 - 添加日志模块 习惯之前版本的请看v1版本的代码：[V1版本](https://github.com/lxztju/pytorch_classification/tree/v1)。 主要功能： 利用pytorch实现图像分类，基于torchision可以扩展使用densenet，resnext，mobilenet，efficientnet，swin transformer等图像分类网络 如果有用欢迎star ## 实现功能 * 基础功能利用pytorch实现图像分类 * 包含带有warmup的cosine学习率调整 * warmup的step学习率优调整 * 多模型融合预测，加权与投票融合 * 利用flask + redis实现模型云端api部署（tag v1） * c++ libtorch的模型部署 * 使用tta测试时增强进行预测（tag v1） * 添加label smooth的pytorch实现（标签平滑）（tag v1） * 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 * 可视化特征层 ## 运行环境 * python3.7 * pytorch 1.8.1 * torchvision 0.9.1 * opencv(libtorch cpp推理使用， 版本3.4.6)（可选） * libtorch cpp推理使用（可选） ## 快速开始 ### 数据集形式 数据集的组织形式，参考[sample_files/imgs/listfile.txt](https://github.com/lxztju/pytorch_classification/blob/master/sample_files/imgs/listfile.txt) ### 训练 测试 修改`run.sh`中的参数，直接运行run.sh即可运行 主要修改的参数： ``` OUTPUT_PATH 模型保存和log文件的路径 TRAIN_LIST 训练数据集的list文件 VAL_LIST 测试集合的list文件 model_name 默认是resnet50 lr 学习率 epochs 训练总的epoch batch-size batch的大小 j dataloader的num_workers的大小 num_classes 类别数 ``` ### libtorch inference 代码存储在`cpp_inference`文件夹中。 1. 利用[cpp_inference/traced_model/trace_model.py](https://github.com/lxztju/pytorch_classification/blob/master/cpp_inference/traced_model/trace_model.py)将训练好的模型导出。 2. 编译所需的opencv和libtorch代码到`cpp_inference/third_party_library` 3. 编译 ``` sh compile.sh ``` 4. 可执行文件测试 ``` ./bin/imgCls imgpath ```