基于python+BCNN 模型实现一个200 种类鸟类的分类的 iBird 项目

# iBird-Model 这是中国海洋大学 2020 年软件工程课程设计 iBird 项目的模型代码仓库。 用于实现一个 200 种类鸟类的分类，采用了 BCNN 模型。 更新增加了 EfficientNet 模型 ## 仓库构成 ``` . ├── BCNN # BCNN模型相关文件和代码 │ ├── __init__.py │ ├── ibird.ipynb │ ├── imagenet_class_index.json │ ├── main.py │ ├── model.py │ ├── predict.py │ ├── predict_server.py │ ├── test_cuda.py │ └── trainer.py ├── EfficientNet # EfficientNet 相关文件和代码 │ ├── __init__.py │ ├── attention.py │ ├── main.py │ ├── model.py │ └── trainer.py ├── README.md ├── bird_classes.csv ├── classes.txt ├── maque.jpg ├── maque2.jpg ├── requirements.txt ├── test.jpg └── trick_test.py ``` ## 使用说明 ### AI 研习社测评 1. 读取依赖: `pip install -r requirements.txt` 2. 200种鸟类分类：AI研习社_鸟类识别比赛数据集.rar 3. 执行 main.py 4. 执行 predict.py 对 AI 研习社数据进行预测 模型训练的数据将会被放在 result 目录的 checkpoint.pt 里，可以使用 model 的方法进行读取 ### 后端程序执行 1. 将 model.py, predict_server.py, bird_classes.csv 和计算好保存好的模型文件 model.pth 拷贝到服务器上 2. 在后端代码中添加初始化代码 ```python # 初始化单例 from BCNN.predict_server import NeuralNetwork model_path = "xxx/xxx/xxx" classes_path = "xxx/xxx/xxx" NeuralNetwork.get_instance(model_path, classes_path) # 只有第一次会初始化 # 执行预测 net = NeuralNetwork.get_instance() # 不再进行初始化, 可以不加参数了 result = net.predicted("xx/xx/xx") # your code here ``` ## 使用 tricks ### 数据增强 说着听上去挺高级的，实现其来就是对图片的预处理，包含下面的一些方法: - 平移：一定尺度内平移 - 旋转：一定角度内旋转 - 翻转：水平或者上下翻转 - 裁剪：在原有图像上裁剪一部分 - 颜色变化：rgb颜色空间进行一些变换（亮度对比度等） - 噪声扰动：给图像加入一些人工生产的噪声 ```python from torchvision import transforms as transforms # 随机比例缩放 transforms.Resize((100, 200)) # 随机位置裁剪 transforms.RandomCrop(100) # 中心裁剪 transforms.CenterCrop(100) # 随机垂直水平翻转 transforms.RandomVerticalFlip(p=1) transforms.RandomHorizontalFlip(p=1) # p表示概率 # 随机角度旋转 transforms.RandomRotation(45) # 色度，亮度，饱和度，对比度 transforms.ColorJitter(brightness=1) # 亮度 transforms.ColorJitter(contrast=1) # 对比度 transforms.ColorJitter(saturation=0.5) # 饱和度 transforms.ColorJitter(hue=0.5) # 色度 ```