做外贸网站要注意什么学院网站策划书

当前位置： 首页 > news >正文

做外贸网站要注意什么,学院网站策划书,wordpress后台怎么进的,企业做网站和宣传册的作用更多目标检测和图像分类识别项目可看我主页其他文章 功能演示#xff1a; 基于卷积神经网络的蔬菜识别系统#xff0c;resnet50#xff0c;mobilenet【pytorch框架#xff0c;python#xff0c;tkinter】_哔哩哔哩_bilibili #xff08;一#xff09;简介 基于卷积神…   更多目标检测和图像分类识别项目可看我主页其他文章 功能演示 基于卷积神经网络的蔬菜识别系统resnet50mobilenet【pytorch框架pythontkinter】_哔哩哔哩_bilibili 一简介 基于卷积神经网络的蔬菜识别系统是在pytorch框架下实现的这是一个完整的项目包括代码数据集训练好的模型权重模型训练记录ui界面和各种模型指标图表等。 该项目有两个可选模型resnet50和mobilenet两个模型都在项目中GUI界面由tkinter设计和实现。此项目可在windowns、linux(ubuntu, centos)、mac系统下运行。 该项目是在pycharm和anaconda搭建的虚拟环境执行pycharm和anaconda安装和配置可观看教程 windows保姆级的pycharmanaconda搭建python虚拟环境_windows启动python虚拟环境-CSDN博客 在Linux系统(Ubuntn, Centos)用pycharmanaconda搭建python虚拟环境_linux pycharm-CSDN博客 二项目介绍

1. 项目结构 ​​​​ 该项目可以使用已经训练好的模型权重也可以自己重新训练自己训练也比较简单 以训练resnet50模型为例 第一步修改model_resnet50.py的数据集路径模型名称、模型训练的轮数 ​  第二步模型训练和验证即直接运行model_resnet50.py文件 第三步使用模型即运行gui_chinese.py文件即可通过GUI界面来展示模型效果 2. 数据结构 ​​​​​ 部分数据展示  ​​​​ 3.GUI界面技术栈tkinterpython  ​ ​​​​ 4.模型训练和验证的一些指标及效果 ​​​​​1模型训练和验证的准确率曲线损失曲线 ​​​​​2热力图 ​​3准确率、精确率、召回率、F1值 4模型训练和验证记录 ​​ 三代码 由于篇幅有限只展示核心代码 def main(self, epochs):# 记录训练过程log_file_name ./results/resnet50训练和验证过程.txt# 记录正常的 print 信息sys.stdout Logger(log_file_name)print(using {} device..format(self.device))# 开始训练记录开始时间begin_time time()# 加载数据train_loader, validate_loader, class_names, train_num, val_num self.data_load()print(class_names: , class_names)train_steps len(train_loader)val_steps len(validate_loader)# 加载模型model self.model_load() # 创建模型# 修改全连接层的输出维度in_channel model.fc.in_featuresmodel.fc nn.Linear(in_channel, len(class_names))# 模型结构可视化x torch.randn(16, 3, 224, 224) # 随机生成一个输入# 模型结构保存路径model_visual_path results/resnet50_visual.onnx# 将 pytorch 模型以 onnx 格式导出并保存torch.onnx.export(model, x, model_visual_path) # netron.start(model_visual_path) # 浏览器会自动打开网络结构# 将模型放入GPU中model.to(self.device)# 定义损失函数loss_function nn.CrossEntropyLoss()# 定义优化器params [p for p in model.parameters() if p.requires_grad]optimizer optim.Adam(paramsparams, lr0.0001)train_loss_history, train_acc_history [], []test_loss_history, test_acc_history [], []best_acc 0.0for epoch in range(0, epochs):# 下面是模型训练model.train()running_loss 0.0train_acc 0.0train_bar tqdm(train_loader, filesys.stdout)# 进来一个batch的数据计算一次梯度更新一次网络for step, data in enumerate(train_bar):# 获取图像及对应的真实标签images, labels data# 清空过往梯度optimizer.zero_grad()# 得到预测的标签outputs model(images.to(self.device))# 计算损失train_loss loss_function(outputs, labels.to(self.device))# 反向传播计算当前梯度train_loss.backward()# 根据梯度更新网络参数optimizer.step() # 累加损失running_loss train_loss.item()# 每行最大值的索引predict_y torch.max(outputs, dim1)[1] # torch.eq()进行逐元素的比较若相同位置的两个元素相同则返回True若不同返回Falsetrain_acc torch.eq(predict_y, labels.to(self.device)).sum().item()# 更新进度条train_bar.desc train epoch[{}/{}] loss:{:.3f}.format(epoch 1,epochs,train_loss)# 下面是模型验证# 不启用 BatchNormalization 和 Dropout保证BN和dropout不发生变化model.eval()# accumulate accurate number / epochval_acc 0.0 testing_loss 0.0# 张量的计算过程中无需计算梯度with torch.no_grad(): val_bar tqdm(validate_loader, filesys.stdout)for val_data in val_bar:# 获取图像及对应的真实标签val_images, val_labels val_data# 得到预测的标签outputs model(val_images.to(self.device))# 计算损失val_loss loss_function(outputs, val_labels.to(self.device)) testing_loss val_loss.item()# 每行最大值的索引predict_y torch.max(outputs, dim1)[1] # torch.eq()进行逐元素的比较若相同位置的两个元素相同则返回True若不同返回Falseval_acc torch.eq(predict_y, val_labels.to(self.device)).sum().item()train_loss running_loss / train_stepstrain_accurate train_acc / train_numtest_loss testing_loss / val_stepsval_accurate val_acc / val_numtrain_loss_history.append(train_loss)train_acc_history.append(train_accurate)test_loss_history.append(test_loss)test_acc_history.append(val_accurate)print([epoch %d] train_loss: %.3f val_accuracy: %.3f %(epoch 1, train_loss, val_accurate))# 保存最佳模型if val_accurate best_acc:best_acc val_accuratetorch.save(model.state_dict(), self.model_name)# 记录结束时间end_time time()run_time end_time - begin_timeprint(该循环程序运行时间, run_time, s)# 绘制模型训练过程图self.show_loss_acc(train_loss_history, train_acc_history,test_loss_history, test_acc_history)# 画热力图test_real_labels, test_pre_labels self.heatmaps(model, validate_loader, class_names)# 计算混淆矩阵self.calculate_confusion_matrix(test_real_labels, test_pre_labels, class_names) ​​​​​四总结 以上即为整个项目的介绍整个项目主要包括以下内容完整的程序代码文件、训练好的模型、数据集、UI界面和各种模型指标图表等。 项目运行过程如出现问题请及时交流