毕业设计 使用pytorch进行深度学习网络模型训练，实现车型识别.zip

<div align="center"> <p> <a href="https://tf2jaguar.github.io"><img src="https://badgen.net/badge/tf2jaguar/read?icon=sourcegraph&color=4ab8a1" alt="read" /></a> <img src="https://badgen.net/github/stars/tf2jaguar/pytorch_train?icon=github&color=4ab8a1" alt="stars" /> <img src="https://badgen.net/github/forks/tf2jaguar/pytorch_train?icon=github&color=4ab8a1" alt="forks" /> <img src="https://badgen.net/github/open-issues/tf2jaguar/pytorch_train?icon=github" alt="issues" /> </p> </div> # pytorch_train ## 模型训练 Github 地址：[pytorch_train](https://github.com/tf2jaguar/pytorch_train)  训练模型主要分为五个模块：启动器、自定义数据加载器、网络模型、学习率/损失率调整以及训练可视化。 启动器是项目的入口，通过对启动器参数的设置，可以进行很多灵活的启动方式，下图为部分启动器参数设置。  任何一个深度学习的模型训练都是离不开数据集的，根据多种多样的数据集，我们应该使用一个方式将数据集用一种通用的结构返回，方便网络模型的加载处理。  这里使用了残差网络Resnet-34，代码中还提供了Resnet-18、Resnet-50、Resnet-101以及Resnet-152。残差结构是通过一个快捷连接，极大的减少了参数数量，降低了内存使用。 以下为残差网络的基本结构和Resnet-34 部分网络结构图。   除了最开始看到的train-val图表、Top-、Top-5的error记录表以外，在训练过程中，使用进度条打印当前训练的进度、训练精度等信息。打印时机可以通过上边提到的 启动器 优雅地配置。  以下为最终的项目包架构。 ``` pytorch_train |-- data -- 存放读取训练、校验、测试数据路径的txt | |-- train.txt | |-- val.txt | |-- test.txt |-- result -- 存放最终生成训练结果的目录 |-- util -- 模型移植工具 |-- clr.py -- 学习率 |-- dataset.py -- 自定义数据集 |-- flops_benchmark.py -- 统计每秒浮点运算次数 |-- logger.py -- 日志可视化 |-- mobile_net.py -- 网络模型之一 mobile_net2 |-- resnet.py -- 网络模型之一 Resnet系列 |-- run.py -- 具体执行训练、测试方法 |-- start.py -- 启动器 ```  ## 模型移植 Github 地址：[pytorch_train/transfor](https://github.com/tf2jaguar/pytorch_train/blob/master/util/transfor.py) ```python import os import torch import torchvision model_pth = os.path.join("results", "2020-04-27_10-27-17", 'checkpoint.pth.tar') # 将resnet34模型保存为Android可以调用的文件 mobile_pt = os.path.join("results", "2020-04-27_10-27-17", 'resnet34.pt') num_class = 13 device = 'cpu' # 'cuda:0' # cpu model = torchvision.models.resnet34(num_classes=num_class) model = torch.nn.DataParallel(model, [0]) model.to(device=device) checkpoint = torch.load(model_pth, map_location=device) model.load_state_dict(checkpoint['state_dict']) model.eval() # 模型设为评估模式 # 1张3通道224*224的图片 input_tensor = torch.rand(1, 3, 224, 224) # 设定输入数据格式 traced_script_module = torch.jit.trace(model.module, input_tensor) # 模型转化 traced_script_module.save(mobile_pt) # 保存文件 ``` ## 启动模型训练 <font color=red>启动前需要确保你已经有了本项目使用的数据集 CompCars</font> ### 重新开始新的训练 ```shell script python start.py --data_root "./data" --gpus 0,1,2 -w 2 -b 120 --num_class 13 ``` - --data_root 数据集路径位置 - --gups 使用gpu训练的块数 - -w 为gpu加载自定义数据集的工作线程 - -b 用来gpu训练的 batch size是多少 - --num_class 分类类别数量 ### 使用上次训练结果继续训练 ```shell script python start.py --data_root "./data" --gpus 0,1,2 -w 2 -b 120 --num_class 13 --resume "results/2020-04-14_12-36-16" ``` - --data_root 数据集路径位置 - --gups 使用gpu训练的块数 - -w 为gpu加载自定义数据集的工作线程 - -b 用来gpu训练的 batch size是多少 - --num_class 分类类别数量 - --resume 上次训练结果文件夹，可继续上次的训练 ### 模型移植 将训练好的模型转换为Android可以执行的模型 ```shell script python transfor.py ``` ### 项目定制化 - 找寻自己的数据集 - 需要修改启动脚本中 **--num_class**，模型类别 目前项目中具备很多备注记录，稍加review代码就可以理解，如有不清楚，可以私信询问。 ### 鼓励一下 <center class="half"> <img alt="image-qxUDIO" src="https://s1.ax1x.com/2022/04/07/qxUDIO.png" width="200" height="240" /><img src="https://s1.ax1x.com/2022/04/07/qxaHAK.jpg" alt="image-qxUBdK" width="200" height="240" /> </center> 有偿提供全套环境搭建+数据集下载+模型迁移+论文范本+技术指导