基于Paddle的计算机视觉入门教程——第5讲 实战：PaddleX实现垃圾分类

基于Paddle的计算机视觉入门教程——第5讲 实战：PaddleX实现垃圾分类

PaddleX实现垃圾分类

B站教程地址

/

PaddleX的安装

pip install paddlex==2.1.0 -i 

因为PaddleX依赖于pycocotools，如果报错：

Microsoft Visual C++ 14.0 is required

则需要安装相应工具，下载链接如下：

链接：
提取码：xhu4

如果出现下载预训练模型报错

SSLError("Can't connect to HTTPS URL because the SSL module is not available)

需要安装OpenSLL工具，下载链接如下：

链接：
提取码：ucko

数据集的准备

数据集下载链接：

链接：
提取码：hce7

本次实战为图片分类任务，数据集结构如下：

分别为分类的图片文件夹，建议有一个类别就建一个文件夹，方便管理。训练集和评价集的标签文件，格式如下：

./3/933.jpg 3
./2/1670.jpg 2
./2/2175.jpg 2
./1/934.jpg 1
./1/1653.jpg 1

…

前面为图片的相对路径，后面为对应的标签类别。存放对应的标签，格式如下：

有害垃圾
可回收垃圾
厨房垃圾
其他垃圾

提供文件重命名的代码，用于每个文件夹里面图片的重命名

import osdef rename():res = os.listdir('./')for a in res:i = 0flag = os.path.isdir(a)if(flag == False):continuepath=afilelist=os.listdir(path)#该文件夹下所有的文件（包括文件夹）for files in filelist:#遍历所有文件i=i+1Olddir=os.path.join(path,files);#原来的文件路径                if os.path.isdir(Olddir):#如果是文件夹则跳过continuefilename=os.path.splitext(files)[0];#文件名filetype=os.path.splitext(files)[1];#文件扩展名Newdir=os.path.join(path,str(i)+filetype);#新的文件路径os.rename(Olddir,Newdir)#重命名
rename()

提供生成和文件的代码，分类的比例为5:1

import os
import randomdef ReadFileDatas():FileNamelist = []file = open(&#','r+')for line in file:line=line.strip('n') #删除每一行的nFileNamelist.append(line)#print('len ( FileNamelist ) = ' ,len(FileNamelist))file.close()return FileNamelistdef WriteDatasToFile(listInfo):file_handle_train=open(&#',mode='w')file_handle_eval = open(&#",mode='w')i = 0for idx in range(len(listInfo)):str = listInfo[idx]#查找最后一个 “_”的位置ndex = str.rfind('_')#print('ndex = ',ndex)#截取字符串str_houZhui = str[(ndex+1):]#print('str_houZhui = ',str_houZhui)str_Result = str  + 'n'           #+ str_houZhui+'n'#print(str_Result)if(i%6 != 0):file_handle_train.write(str_Result)else:file_handle_eval.write(str_Result)i += 1file_handle_train.close()file_handle_eval.close()path = './'
res = os.listdir(path)
print(res)
with open(&#","w") as f:for i in res:if(os.path.isdir(i)):path1 = path + ires2 = os.listdir(path1)for j in res2:f.write(path1+"/"+j+" " + i +'n')listFileInfo = ReadFileDatas()
#打乱列表中的顺序
random.shuffle(listFileInfo)
WriteDatasToFile(listFileInfo)

模型训练

借助于PaddleX，模型训练变得非常简单，主要分为数据集定义，数据增强算子定义，模型定义和模型训练四个步骤：

from paddlex import transforms as T
import paddlex as pdxtrain_transforms = T.Compose([          #定义训练集的数据增强算子T.RandomCrop(crop_size=224),T.RandomHorizontalFlip(),T.Normalize()])eval_transforms = T.Compose([			#定义评价集的数据增强算子T.ResizeByShort(short_size=256),T.CenterCrop(crop_size=224),T.Normalize()
])train_dataset = pdx.datasets.ImageNet(		#定义训练集data_dir='rubbish',file_list='',label_list='',transforms=train_transforms,shuffle=True)
eval_dataset = pdx.datasets.ImageNet(		#定义评价集data_dir='rubbish',file_list='',label_list='',transforms=eval_transforms)num_classes = len(train_dataset.labels)
model = pdx.cls.MobileNetV3_small(num_classes=num_classes)		#定义分类模型ain(num_epochs=10,										#模型训练train_dataset=train_dataset,train_batch_size=64,eval_dataset=eval_dataset,lr_decay_epochs=[4, 6, 8],save_dir='output/mobilenetv3_small',use_vdl=True)

具体参数的含义可以参照PaddleX的Github文档，在B站视频中也做了详细的讲解。

模型的预测

import paddlex as pdx
model = pdx.load_model('output/mobilenetv3_small/best_model')
result = model.predict('188.jpg')
print("Predict Result: ", result)

可以观察输出的结果是否正确。

模型训练的可视化

visualdl --logdir output/mobilenetv3_small --port 8001

打开浏览器输出网址，可以看到训练的各个参数曲线。