【分离式超图像分类平台】使用深度学习中那些令人兴奋的模型搭建图像分类平台

写在前面的话        

         内置模型先览

                1、轻量级模型的王者：MobilenetV2

                2、力压Transformer的中量级模型：ConvNeXt（包含tiny、small、base、larger版本）感兴趣的话可以瞧一瞧哦：ConvNeXt介绍

                3、超大参数超棒鲁棒性的重量级模型：Vision Transformer

平台优势 

开源代码

        图像分类训练平台gitee链接：（维护中，几日后）

        图像分类预测平台gitee链接：（维护中，几日后）

使用手册

        训练平台

                文件结构：

                训练步骤：

        测试平台

                文件结构：

                测试步骤：

写在前面的话        

        为了保持一贯精简的作风，本文章不对模型进行解读，因为只是单纯的讲明白使用流程，字数已经是非常不少了！  

        那么有人担心了：既然是一个图片分类平台，那么肯定有多种模型，可是一般来讲，我最终要用的模型只有一种呀，其他的岂不是放在那里浪费空间？

        对于这种顾虑，本文章提出了一种新的思想——训练任务与测试任务二分离法，使得工程开发更加简便，打破了这种顾虑。具体情况如何，敬请使用吧！

         内置模型先览

        内置了三种模型，他们分别在各自的领域扮演着中流砥柱的角色，博主对分类模型大致做了 一个总结与分类，选择这三个模型是深思熟虑的结果。

        博主是深思熟虑后的结果：DL图像分类模型到底如何选择_舞雩.的博客-CSDN博客

                1、轻量级模型的王者：MobilenetV2

                2、力压Transformer的中量级模型：ConvNeXt（包含tiny、small、base、larger版本）感兴趣的话可以瞧一瞧哦：ConvNeXt介绍

                3、超大参数超棒鲁棒性的重量级模型：Vision Transformer

平台优势 

  支持Windows/Linux 

  一个平台多种场景：可以采用切换模型的方式解决单模型不够全面的问题——不同的实验环境与不同的实验目标下模型变得不适用的困扰。

   内置三种模型皆支持迁移学习，且warehouse/pretrained_weights文件夹下自带多个预训练模型，不必自己去网上冲浪下载。

   支持冻结训练、 支持DP模式/DDP模式训练、支持单机多卡分布式训练、支持混合精度训练。    

   灵活训练自己的模型，可调节参数多达20+。

   支持多种学习率下降方式：固定步长下降方式与余弦退火下降方式等。

   支持多线程读取数据。

   内置大量处理数据集的小工具：/tools文件夹下（期待探索哦！）

   训练、预测分离想法：抱着“宁非需要，勿曾新知”的想法，为工程实现仅保留必要之物——预测任务中当且仅需得到训练出的模型

开源代码

        图像分类训练平台gitee链接：（维护中，几日后）

        图像分类预测平台gitee链接：（维护中，几日后）

使用手册

        假设前提：

                1、已经从Gitee中下载好项目代码。

                2、已经配置好python环境，具体可看博主之前的教程：python3.7环境配置。

                3、已经配置好pytorch环境，具体可看博主之前的教程：高版本pytorch。

        训练平台

                文件结构：

        丨- datasets        # 数据集存放

                丨- train       # 训练集

                丨- test        # 测试集

        丨- logs                # 存放训练得到的模型

        丨- nets                # 网络代码

                丨- convnext.py

                丨- mobilenet.py

                丨- vit.py

        丨- tools                # 数据集处理小工具

                丨-  ...

        丨- utils                # 功能函数

                丨- ...

        丨- warehouse        # 存放预训练模型与txt、json等文件

                丨- pretrained_weights        

                丨- cls.classes.txt        # 存放要分类的所有类别

        丨- pretreatment.py        # 预处理代码 第一个运行

        丨- trian.py                      # 训练代码 第二个运行

        丨- requirements.txt        # 所需环境

        丨- trainParameterManual.txt  # 训练参数说明

                训练步骤：

                        1、数据集下载：

链接：https://pan.baidu.com/s/1h2YSGNE5pS18lzlNEjSKSQ 
提取码：sjt9 
--来自百度网盘超级会员V3的分享

                        2、将数据集放入datasets 

                        格式必须如下:

                           丨- train / test

                                丨- 类别1

                                        丨- 图片

                                        丨- ...

                                丨- 类别2

                                        丨- 图片

                                        丨- ...

                                丨- ...

                        2、运行pretreatment.py文件

                         生成cls_train.txt与cls_test.txt文件，并把要分类的类别自动填入warehouse/cls_classes.txt文件中

                        3、调整train.py中的参数

                        4、运行trian.py文件

                           得到模型，放入预测平台进行测试

        测试平台

                文件结构：

        丨- datasets

                丨- verify                        # 测试集

                        丨- ...

        丨- nets

                丨- ...

        丨- utils

                丨- ...

        丨-warehouse

                丨- endtrained_weights        # 训练好的模型放入这里

                丨- cls_classes.txt        

        丨- test.py                # 测试文件代码

                测试步骤：

                        1、把训练好要测试的模型放入warehouse/endtrained_weights文件中。

                        2、把训练任务中warehouse/cls_classes.txt放入到测试任务的相同路径中。

                        3、调整test.py中的参数。

                        4、运行test.py。

尾声：

        那么，这个平台的使用教程就到此结束啦！你将收获到：面对一般的图像分类任务，都能够得到一个不错的模型并且快速的部署到项目之中去的能力。

        接下来我还将部署几个特殊的图像处理平台：

        · 医学图像处理平台

        · 细分类图像处理平台

希望对大家学习深度学习中的图像处理有所帮助，并且能够得到大家的三连支持！