织梦网站被挂马怎么处理,福建做网站公司,网页开发的基本流程是什么,不懂代码用cms做网站文章目录 训练部分导入项目使用的库设置随机因子设置全局参数图像预处理与增强读取数据设置Loss设置模型设置优化器和学习率调整策略设置混合精度#xff0c;DP多卡#xff0c;EMA定义训练和验证函数训练函数验证函数调用训练和验证方法 运行以及结果查看测试完整的代码 在上… 文章目录 训练部分导入项目使用的库设置随机因子设置全局参数图像预处理与增强读取数据设置Loss设置模型设置优化器和学习率调整策略设置混合精度DP多卡EMA定义训练和验证函数训练函数验证函数调用训练和验证方法 运行以及结果查看测试完整的代码 在上一篇文章中完成了前期的准备工作见链接 VOLO实战使用VOLO实现图像分类任务一 前期的工作主要是数据的准备安装库文件数据增强方式的讲解模型的介绍和实验效果等内容。接下来这篇主要是讲解如何训练和测试
训练部分
完成上面的步骤后就开始train脚本的编写新建train.py
导入项目使用的库
在train.py导入
import json
import os
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
import torch.nn.parallel
import torch.optim as optim
import torch.utils.data
import torch.utils.data.distributed
import torchvision.transforms as transforms
from timm.utils import accuracy, AverageMeter, ModelEma
from sklearn.metrics import classification_report
from timm.data.mixup import Mixup
from timm.loss import SoftTargetCrossEntropy
from models.volo import volo_d1
from torchvision import datasetstorch.backends.cudnn.benchmark False
import warningswarnings.filterwarnings(ignore)
os.environ[CUDA_VISIBLE_DEVICES] 0,1当您需要在具有多个GPU的机器上指定用于训练的GPU时可以通过设置环境变量CUDA_VISIBLE_DEVICES来实现。这个环境变量的值是一个由逗号分隔的GPU索引列表索引从0开始。例如如果您的机器上有8块GPU并且您希望仅使用前两块GPU即索引为0和1的GPU进行训练您应该设置
os.environ[CUDA_VISIBLE_DEVICES] 0,1这样只有索引为0和1的GPU会被系统识别并用于训练。类似地如果您希望使用第三块索引为2和第六块索引为5GPU进行训练您应该相应地设置
os.environ[CUDA_VISIBLE_DEVICES] 2,5通过这种方式您可以灵活地选择任意数量的GPU进行训练而无需担心其他GPU的干扰。
设置随机因子
def seed_everything(seed42):# 设置Python的哈希种子os.environ[PYTHONHASHSEED] str(seed)# 设置PyTorch的CPU随机种子torch.manual_seed(seed)# 如果使用CUDA设置CUDA的随机种子if torch.cuda.is_available():torch.cuda.manual_seed(seed)torch.cuda.manual_seed_all(seed) # 如果你的代码在多个GPU上运行# 启用CUDA的确定性行为对卷积等操作的确定性有帮助torch.backends.cudnn.benchmark Falsetorch.backends.cudnn.deterministic True# 使用示例
seed_everything(42)这里有一些额外的说明和注意事项 torch.cuda.manual_seed_all(seed)这个调用是可选的但如果你在多GPU环境中工作比如使用DataParallel或DistributedDataParallel它确保所有GPU上的随机操作都将从相同的种子开始。如果你的代码只在一个GPU上运行这个调用不是必需的但也不会造成问题。 torch.backends.cudnn.benchmark False当设置为True时cuDNN会在运行时自动选择算法来优化性能。然而这可能会导致每次运行时的行为不完全相同因为算法的选择可能会基于输入数据的形状和大小而变化。为了实验的可重复性最好将其设置为False。 图片加载顺序虽然设置随机种子有助于确保模型的随机操作如初始化权重、dropout等是可重复的但它本身并不直接控制图片加载的顺序。图片加载顺序通常由数据集加载器如DataLoader的shuffle参数控制。如果你想要固定的加载顺序确保在创建DataLoader时将shuffleFalse。 其他随机性来源请注意即使你设置了这些随机种子还可能存在其他随机性来源如操作系统级别的调度或硬件层面的差异如GPU的浮点精度差异。在极端情况下这些差异可能会影响结果的精确可重复性。然而在大多数情况下上述设置应该足以确保实验在相同的软件和环境配置下是可重复的。
设置全局参数
if __name__ __main__:# 创建保存模型的文件夹file_dir checkpoints/VOLO/if os.path.exists(file_dir):print(true)os.makedirs(file_dir, exist_okTrue)else:os.makedirs(file_dir)# 设置全局参数model_lr 1e-4BATCH_SIZE 16EPOCHS 300DEVICE torch.device(cuda:0 if torch.cuda.is_available() else cpu)use_amp True # 是否使用混合精度use_dp True # 是否开启dp方式的多卡训练classes 12resume NoneCLIP_GRAD 5.0Best_ACC 0 # 记录最高得分use_ema Falsemodel_ema_decay 0.9998start_epoch 1seed 1seed_everything(seed)创建一个名为 ‘checkpoints/VOLO/’ 的文件夹用于保存训练过程中的模型。如果该文件夹已经存在则不会再次创建否则会创建该文件夹。
设置训练模型的全局参数包括学习率、批次大小、训练轮数、设备选择是否使用 GPU、是否使用混合精度、是否开启数据并行等。
注建议使用GPUCPU太慢了。
参数的详细解释 model_lr学习率根据实际情况做调整。 BATCH_SIZEbatchsize根据显卡的大小设置。 EPOCHSepoch的个数一般300够用。 use_amp是否使用混合精度。 use_dp 是否开启dp方式的多卡训练如果您打算使用多GPU训练将use_dp 设置为 True。 classes类别个数。 resume再次训练的模型路径如果不为None,则表示加载resume指向的模型继续训练。 CLIP_GRAD梯度的最大范数在梯度裁剪里设置。 Best_ACC记录最高ACC得分。 use_ema是否使用ema如果没有使用预训练模型直接打开use_ema会造成不上分的情况。可以先关闭ema训练几个epoch然后将训练的权重赋值到resume再将启用ema model_ema_decay设置了EMA的衰减率。衰减率决定了当前模型权重和之前的EMA权重在更新新的EMA权重时的相对贡献。具体来说每次更新EMA权重时都会按照以下公式进行 newemaweight decay × oldemaweight ( 1 − decay ) × currentmodelweight \text{newemaweight} \text{decay} \times \text{oldemaweight} (1 - \text{decay}) \times \text{currentmodelweight} newemaweightdecay×oldemaweight(1−decay)×currentmodelweight 例如衰减率被设置为0.9998。这意味着在更新EMA权重时大约99.98%的权重来自之前的EMA权重而剩下的0.02%来自当前的模型权重。由于衰减率非常接近1EMA权重会更多地依赖于之前的EMA权重而不是当前的模型权重。这有助于平滑模型权重的波动并减少噪声对最终模型性能的影响。 start_epoch开始的epoch默认是1如果重新训练时需要给start_epoch重新赋值。 SEED:随机因子数值可以随意设定但是设置后不要随意更改更改后图片加载的顺序会改变影响测试结果。 file_dir checkpoints/VOLO/这是存放VOLO模型的路径。
图像预处理与增强 # 数据预处理7transform transforms.Compose([transforms.RandomRotation(10),transforms.GaussianBlur(kernel_size(5,5),sigma(0.1, 3.0)),transforms.ColorJitter(brightness0.5, contrast0.5, saturation0.5),transforms.Resize((224, 224)),transforms.ToTensor(),transforms.Normalize(mean[0.3281186, 0.28937867, 0.20702125], std [0.09407319, 0.09732835, 0.106712654])])transform_test transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),transforms.Normalize(mean[0.3281186, 0.28937867, 0.20702125], std [0.09407319, 0.09732835, 0.106712654])])mixup_fn Mixup(mixup_alpha0.8, cutmix_alpha1.0, cutmix_minmaxNone,prob0.1, switch_prob0.5, modebatch,label_smoothing0.1, num_classesclasses)数据处理和增强比较简单加入了随机10度的旋转、高斯模糊、色彩饱和度明亮度的变化、Mixup等比较常用的增强手段做了Resize和归一化。 transforms.Normalize(mean[0.3281186, 0.28937867, 0.20702125], std [0.09407319, 0.09732835, 0.106712654])这里设置为计算mean和std。 这里注意下Resize的大小由于选用的模型输入是224×224的大小所以要Resize为224×224。
数据预处理流程结合了多种常用的数据增强技术包括随机旋转、高斯模糊、色彩抖动ColorJitter、Resize以及归一化还引入了Mixup和可能的CutMix技术来进一步增强模型的泛化能力。参数详解
transforms.RandomRotation(10): 随机旋转图像最多10度有助于模型学习旋转不变性。transforms.GaussianBlur(kernel_size(5,5), sigma(0.1, 3.0)): 应用高斯模糊模拟图像的模糊情况增强模型对模糊图像的鲁棒性。transforms.ColorJitter(brightness0.5, contrast0.5, saturation0.5): 调整图像的亮度、对比度和饱和度增加数据的多样性。transforms.Resize((224, 224)): 将图像大小调整为224x224以符合模型的输入要求。transforms.ToTensor(): 将PIL Image或NumPy ndarray转换为FloatTensor并归一化到[0.0, 1.0]。transforms.Normalize(mean, std): 使用指定的均值和标准差对图像进行归一化处理有助于模型训练。 mixup_fn Mixup(mixup_alpha0.8, cutmix_alpha1.0, cutmix_minmaxNone,prob0.1, switch_prob0.5, modebatch,label_smoothing0.1, num_classesclasses)定义了一个 Mixup 函数。Mixup 是一种在图像分类任务中常用的数据增强技术它通过将两张图像以及其对应的标签进行线性组合来生成新的数据和标签。
Mixup 是一种正则化技术通过混合输入数据和它们的标签来增强模型的泛化能力。在您的代码中Mixup 类还包含了 CutMix 的参数但具体实现可能需要根据您使用的库如 timm 或自定义实现来确定。参数详解 mixup_alpha: Mixup 中用于Beta分布的α参数控制混合强度的分布。 cutmix_alpha: CutMix 中用于Beta分布的α参数同样控制混合强度的分布。 cutmix_minmax: CutMix 中裁剪区域的最小和最大比例但在这里设为 None可能表示使用默认的或根据 cutmix_alpha 自动计算的比例。 prob: 应用Mixup或CutMix的概率。 switch_prob: 在Mixup和CutMix之间切换的概率如果Mixup和CutMix都被启用。 mode: 指定Mixup是在整个批次上进行还是在单个样本之间进行。 label_smoothing: 标签平滑参数用于减少模型对硬标签的过度自信。 num_classes: 类别数用于标签平滑计算。 读取数据 # 读取数据dataset_train datasets.ImageFolder(data/train, transformtransform)dataset_test datasets.ImageFolder(data/val, transformtransform_test)with open(class.txt, w) as file:file.write(str(dataset_train.class_to_idx))with open(class.json, w, encodingutf-8) as file:file.write(json.dumps(dataset_train.class_to_idx))# 导入数据train_loader torch.utils.data.DataLoader(dataset_train, batch_sizeBATCH_SIZE,num_workers8,pin_memoryTrue,shuffleTrue,drop_lastTrue)test_loader torch.utils.data.DataLoader(dataset_test, batch_sizeBATCH_SIZE, shuffleFalse)使用pytorch默认读取数据的方式然后将dataset_train.class_to_idx打印出来预测的时候要用到。 对于train_loader drop_last设置为True因为使用了Mixup数据增强必须保证每个batch里面的图片个数为偶数不能为零如果最后一个batch里面的图片为奇数则会报错所以舍弃最后batch的迭代pin_memory设置为True可以加快运行速度num_workers多进程加载图像不要超过CPU 的核数。 将dataset_train.class_to_idx保存到txt文件或者json文件中。
class_to_idx的结果
{Black-grass: 0, Charlock: 1, Cleavers: 2, Common Chickweed: 3, Common wheat: 4, Fat Hen: 5, Loose Silky-bent: 6, Maize: 7, Scentless Mayweed: 8, Shepherds Purse: 9, Small-flowered Cranesbill: 10, Sugar beet: 11}设置Loss
# 设置loss函数
# 训练的loss函数为SoftTargetCrossEntropy用于处理具有软目标soft targets的训练场景
criterion_train SoftTargetCrossEntropy() # 验证的loss函数为nn.CrossEntropyLoss()适用于多分类问题的标准交叉熵损失
criterion_val torch.nn.CrossEntropyLoss() 设置loss函数训练的loss为SoftTargetCrossEntropy验证的lossnn.CrossEntropyLoss()。
设置模型 # 设置模型model_ft volo_d1(pretrainedTrue)print(model_ft)num_fr model_ft.head.in_featuresmodel_ft.head nn.Linear(num_fr, classes)num_fr model_ft.aux_head.in_featuresmodel_ft.aux_head nn.Linear(num_fr, classes)print(model_ft)if resume:model torch.load(resume)print(model[state_dict].keys())model_ft.load_state_dict(model[state_dict])Best_ACC model[Best_ACC]start_epoch model[epoch] 1model_ft.to(DEVICE)设置模型为volo_d1然后找到head的in_features修改为数据集的类别也就是classes。 如果resume设置为已经训练的模型的路径则加载模型接着resume指向的模型接着训练使用模型里的Best_ACC初始化Best_ACC使用epoch参数初始化start_epoch。 如果模型输出是classes的长度则表示修改正确了。 设置优化器和学习率调整策略 # 选择简单暴力的Adam优化器学习率调低optimizer optim.AdamW(model_ft.parameters(),lrmodel_lr)cosine_schedule optim.lr_scheduler.CosineAnnealingLR(optimizeroptimizer, T_max20, eta_min1e-6)优化器设置为adamW。学习率调整策略选择为余弦退火。
设置混合精度DP多卡EMA if use_amp:scaler torch.cuda.amp.GradScaler()if torch.cuda.device_count() 1 and use_dp:print(Lets use, torch.cuda.device_count(), GPUs!)model_ft torch.nn.DataParallel(model_ft)if use_ema:model_ema ModelEma(model_ft,decaymodel_ema_decay,deviceDEVICE,resumeresume)else:model_emaNone定义训练和验证函数
训练函数
# 定义训练过程
def train(model, device, train_loader, optimizer, epoch,model_ema):model.train()loss_meter AverageMeter()acc1_meter AverageMeter()acc5_meter AverageMeter()total_num len(train_loader.dataset)print(total_num, len(train_loader))for batch_idx, (data, target) in enumerate(train_loader):data, target data.to(device, non_blockingTrue), target.to(device, non_blockingTrue)samples, targets mixup_fn(data, target)output model(samples)[0]optimizer.zero_grad()if use_amp:with torch.cuda.amp.autocast():loss torch.nan_to_num(criterion_train(output, targets))scaler.scale(loss).backward()torch.nn.utils.clip_grad_norm_(model.parameters(), CLIP_GRAD)# Unscales gradients and calls# or skips optimizer.step()scaler.step(optimizer)# Updates the scale for next iterationscaler.update()else:loss criterion_train(output, targets)torch.nn.utils.clip_grad_norm_(model.parameters(), CLIP_GRAD)loss.backward()optimizer.step()if model_ema is not None:model_ema.update(model)lr optimizer.state_dict()[param_groups][0][lr]loss_meter.update(loss.item(), target.size(0))acc1, acc5 accuracy(output, target, topk(1, 5))acc1_meter.update(acc1.item(), target.size(0))acc5_meter.update(acc5.item(), target.size(0))if (batch_idx 1) % 10 0:print(Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}\tLR:{:.9f}.format(epoch, (batch_idx 1) * train_loader.batch_size, len(train_loader.dataset),100. * (batch_idx 1) / len(train_loader), loss.item(), lr))ave_loss loss_meter.avgacc acc1_meter.avgprint(epoch:{}\tloss:{:.2f}\tacc:{:.2f}.format(epoch, ave_loss, acc))return ave_loss, acc训练的主要步骤 1、使用AverageMeter保存自定义变量包括lossACC1ACC5。 2、进入循环将data和target放入device上non_blocking设置为True。如果pin_memoryTrue的话将数据放入GPU的时候也应该把non_blocking打开这样就只把数据放入GPU而不取出访问时间会大大减少。 如果pin_memoryFalse时则将non_blocking设置为False。 3、将数据输入mixup_fn生成mixup数据。 4、将第三部生成的mixup数据输入model输出预测结果然后再计算loss。 5、 optimizer.zero_grad() 梯度清零把loss关于weight的导数变成0。 6、如果使用混合精度则 with torch.cuda.amp.autocast(),开启混合精度。计算loss。torch.nan_to_num将输入中的NaN、正无穷大和负无穷大替换为NaN、posinf和neginf。默认情况下nan会被替换为零正无穷大会被替换为输入的dtype所能表示的最大有限值负无穷大会被替换为输入的dtype所能表示的最小有限值。 scaler.scale(loss).backward()梯度放大。torch.nn.utils.clip_grad_norm_梯度裁剪放置梯度爆炸。scaler.step(optimizer) 首先把梯度值unscale回来如果梯度值不是inf或NaN,则调用optimizer.step()来更新权重否则忽略step调用从而保证权重不更新。更新下一次迭代的scaler。 否则直接反向传播求梯度。torch.nn.utils.clip_grad_norm_函数执行梯度裁剪防止梯度爆炸。 7、如果use_ema为True则执行model_ema的updata函数更新模型。 8、 torch.cuda.synchronize()等待上面所有的操作执行完成。 9、接下来更新lossACC1ACC5的值。 等待一个epoch训练完成后计算平均loss和平均acc
验证函数
# 验证过程
torch.no_grad()
def val(model, device, test_loader):global Best_ACCmodel.eval()loss_meter AverageMeter()acc1_meter AverageMeter()acc5_meter AverageMeter()total_num len(test_loader.dataset)print(total_num, len(test_loader))val_list []pred_list []for data, target in test_loader:for t in target:val_list.append(t.data.item())data, target data.to(device, non_blockingTrue), target.to(device, non_blockingTrue)output model(data)loss criterion_val(output, target)_, pred torch.max(output.data, 1)for p in pred:pred_list.append(p.data.item())acc1, acc5 accuracy(output, target, topk(1, 5))loss_meter.update(loss.item(), target.size(0))acc1_meter.update(acc1.item(), target.size(0))acc5_meter.update(acc5.item(), target.size(0))acc acc1_meter.avgprint(\nVal set: Average loss: {:.4f}\tAcc1:{:.3f}%\tAcc5:{:.3f}%\n.format(loss_meter.avg, acc, acc5_meter.avg))if acc Best_ACC:if isinstance(model, torch.nn.DataParallel):torch.save(model.module, file_dir / best.pth)else:torch.save(model, file_dir / best.pth)Best_ACC accif isinstance(model, torch.nn.DataParallel):state {epoch: epoch,state_dict: model.module.state_dict(),Best_ACC: Best_ACC}if use_ema:state[state_dict_ema] model.module.state_dict()torch.save(state, file_dir / model_ str(epoch) _ str(round(acc, 3)) .pth)else:state {epoch: epoch,state_dict: model.state_dict(),Best_ACC: Best_ACC}if use_ema:state[state_dict_ema] model.state_dict()torch.save(state, file_dir / model_ str(epoch) _ str(round(acc, 3)) .pth)return val_list, pred_list, loss_meter.avg, acc验证集和训练集大致相似主要步骤 1、在val的函数上面添加torch.no_grad()作用所有计算得出的tensor的requires_grad都自动设置为False。即使一个tensor命名为x的requires_grad True在with torch.no_grad计算由x得到的新tensor命名为w-标量requires_grad也为False且grad_fn也为None,即不会对w求导。 2、定义参数: loss_meter: 测试的loss acc1_meter:top1的ACC。 acc5_metertop5的ACC。 total_num总的验证集的数量。 val_list验证集的label。 pred_list预测的label。 3、进入循环迭代test_loader 将label保存到val_list。 将data和target放入device上non_blocking设置为True。 将data输入到model中求出预测值然后输入到loss函数中求出loss。 调用torch.max函数将预测值转为对应的label。 将输出的预测值的label存入pred_list。 调用accuracy函数计算ACC1和ACC5 更新loss_meter、acc1_meter、acc5_meter的参数。 4、本次epoch循环完成后求得本次epoch的acc、loss。 5、接下来是保存模型的逻辑 如果ACC比Best_ACC高则保存best模型 判断模型是否为DP方式训练的模型。 如果是DP方式训练的模型模型参数放在model.module则需要保存model.module。 否则直接保存model。 注保存best模型我们采用保存整个模型的方式这样保存的模型包含网络结构在预测的时候就不用再重新定义网络了。 6、接下来保存每个epoch的模型。 判断模型是否为DP方式训练的模型。 如果是DP方式训练的模型模型参数放在model.module则需要保存model.module.state_dict()。 新建个字典放置Best_ACC、epoch和 model.module.state_dict()等参数。然后将这个字典保存。判断是否是使用EMA如果使用则还需要保存一份ema的权重。 否则新建个字典放置Best_ACC、epoch和 model.state_dict()等参数。然后将这个字典保存。判断是否是使用EMA如果使用则还需要保存一份ema的权重。 注意对于每个epoch的模型只保存了state_dict参数没有保存整个模型文件。 调用训练和验证方法 # 训练与验证is_set_lr Falselog_dir {}train_loss_list, val_loss_list, train_acc_list, val_acc_list, epoch_list [], [], [], [], []if resume and os.path.isfile(file_dirresult.json):with open(file_dirresult.json, r, encodingutf-8) as file:logs json.load(file)train_acc_list logs[train_acc]train_loss_list logs[train_loss]val_acc_list logs[val_acc]val_loss_list logs[val_loss]epoch_list logs[epoch_list]for epoch in range(start_epoch, EPOCHS 1):epoch_list.append(epoch)log_dir[epoch_list] epoch_listtrain_loss, train_acc train(model_ft, DEVICE, train_loader, optimizer, epoch,model_ema)train_loss_list.append(train_loss)train_acc_list.append(train_acc)log_dir[train_acc] train_acc_listlog_dir[train_loss] train_loss_listif use_ema:val_list, pred_list, val_loss, val_acc val(model_ema.ema, DEVICE, test_loader)else:val_list, pred_list, val_loss, val_acc val(model_ft, DEVICE, test_loader)val_loss_list.append(val_loss)val_acc_list.append(val_acc)log_dir[val_acc] val_acc_listlog_dir[val_loss] val_loss_listlog_dir[best_acc] Best_ACCwith open(file_dir /result.json, w, encodingutf-8) as file:file.write(json.dumps(log_dir))print(classification_report(val_list, pred_list, target_namesdataset_train.class_to_idx))if epoch 600:cosine_schedule.step()else:if not is_set_lr:for param_group in optimizer.param_groups:param_group[lr] 1e-6is_set_lr Truefig plt.figure(1)plt.plot(epoch_list, train_loss_list, r-, labeluTrain Loss)# 显示图例plt.plot(epoch_list, val_loss_list, b-, labeluVal Loss)plt.legend([Train Loss, Val Loss], locupper right)plt.xlabel(uepoch)plt.ylabel(uloss)plt.title(Model Loss )plt.savefig(file_dir /loss.png)plt.close(1)fig2 plt.figure(2)plt.plot(epoch_list, train_acc_list, r-, labeluTrain Acc)plt.plot(epoch_list, val_acc_list, b-, labeluVal Acc)plt.legend([Train Acc, Val Acc], loclower right)plt.title(Model Acc)plt.ylabel(acc)plt.xlabel(epoch)plt.savefig(file_dir /acc.png)plt.close(2)调用训练函数和验证函数的主要步骤 1、定义参数 is_set_lr是否已经设置了学习率当epoch大于一定的次数后会将学习率设置到一定的值并将其置为True。log_dir记录log用的将有用的信息保存到字典中然后转为json保存起来。train_loss_list保存每个epoch的训练loss。val_loss_list保存每个epoch的验证loss。train_acc_list保存每个epoch的训练acc。val_acc_list保存么每个epoch的验证acc。epoch_list存放每个epoch的值。 如果是接着上次的断点继续训练则读取log文件然后把log取出来赋值到对应的list上。 循环epoch 1、调用train函数得到 train_loss, train_acc并将分别放入train_loss_listtrain_acc_list然后存入到logdir字典中。 2、调用验证函数判断是否使用EMA 如果使用EMA则传入model_ema.ema否则传入model_ft。得到val_list, pred_list, val_loss, val_acc。将val_loss, val_acc分别放入val_loss_list和val_acc_list中然后存入到logdir字典中。 3、保存log。 4、打印本次的测试报告。 5、如果epoch大于600将学习率设置为固定的1e-6。 6、绘制loss曲线和acc曲线。 运行以及结果查看
完成上面的所有代码就可以开始运行了。点击右键然后选择“run train.py”即可运行结果如下 在每个epoch测试完成之后打印验证集的acc、recall等指标。
VOLO测试结果 测试
测试我们采用一种通用的方式。
测试集存放的目录如下图
VOLO_Demo
├─test
│ ├─1.jpg
│ ├─2.jpg
│ ├─3.jpg
│ ├ ......
└─test.pyimport torch.utils.data.distributed
import torchvision.transforms as transforms
from PIL import Image
from torch.autograd import Variable
import osclasses (Black-grass, Charlock, Cleavers, Common Chickweed,Common wheat, Fat Hen, Loose Silky-bent,Maize, Scentless Mayweed, Shepherds Purse, Small-flowered Cranesbill, Sugar beet)
transform_test transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),transforms.Normalize(mean[0.44127703, 0.4712498, 0.43714803], std[0.18507297, 0.18050247, 0.16784933])
])DEVICE torch.device(cuda:0 if torch.cuda.is_available() else cpu)
modeltorch.load(checkpoints/VOLO/best.pth)
model.eval()
model.to(DEVICE)path test/
testList os.listdir(path)
for file in testList:img Image.open(path file)img transform_test(img)img.unsqueeze_(0)img Variable(img).to(DEVICE)out model(img)# Predict_, pred torch.max(out.data, 1)print(Image Name:{},predict:{}.format(file, classes[pred.data.item()]))
测试的主要逻辑 1、定义类别这个类别的顺序和训练时的类别顺序对应一定不要改变顺序 2、定义transformstransforms和验证集的transforms一样即可别做数据增强。 3、 torch.load加载model然后将模型放在DEVICE里 4、循环 读取图片并预测图片的类别在这里注意读取图片用PIL库的Image。不要用cv2transforms不支持。循环里面的主要逻辑 使用Image.open读取图片使用transform_test对图片做归一化和标椎化。img.unsqueeze_(0) 增加一个维度由3224224变为13224224Variable(img).to(DEVICE)将数据放入DEVICE中。model(img)执行预测。_, pred torch.max(out.data, 1):获取预测值的最大下角标。 运行结果 完整的代码
完整的代码
https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/90033922
