Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)

您所在的位置：网站首页 › 中草药识别在线 › Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)

Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)

2024-07-17 08:44| 来源: 网络整理| 查看: 265

. ├── classifier # 训练模型相关工具 ├── configs # 训练配置文件 ├── data # 训练数据 ├── libs ├── demo.py # 模型推理demo ├── README.md # 项目工程说明文档 ├── requirements.txt # 项目相关依赖包 └── train.py # 训练文件

推荐使用Python3.8或Python3.7，更高版本可能存在版本差异问题，项目依赖python包请参考requirements.txt，使用pip安装即可：

numpy==1.16.3 matplotlib==3.1.0 Pillow==6.0.0 easydict==1.9 opencv-contrib-python==4.5.2.52 opencv-python==4.5.1.48 pandas==1.1.5 PyYAML==5.3.1 scikit-image==0.17.2 scikit-learn==0.24.0 scipy==1.5.4 seaborn==0.11.2 tensorboard==2.5.0 tensorboardX==2.1 torch==1.7.1+cu110 torchvision==0.8.2+cu110 tqdm==4.55.1 xmltodict==0.12.0 basetrainer pybaseutils==0.6.5

项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

项目开发使用教程和常见问题和解决方法视频教程：1 手把手教你安装CUDA和cuDNN(1)")视频教程：2 手把手教你安装CUDA和cuDNN(2)")视频教程：3 如何用Anaconda创建pycharm环境视频教程：4 如何在pycharm中使用Anaconda创建的python环境推荐使用Python3.8或Python3.7，更高版本可能存在版本差异问题（2）准备Train和Test数据

下载中药材(中草药)数据集：Chinese-Medicine-163，Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称。

数据增强方式主要采用：随机裁剪，随机翻转，随机旋转，颜色变换等处理方式

import numbers import random import PIL.Image as Image import numpy as np from torchvision import transforms def image_transform(input_size, rgb_mean=[0.5, 0.5, 0.5], rgb_std=[0.5, 0.5, 0.5], trans_type="train"): """ 不推荐使用：RandomResizedCrop(input_size), # bug:目标容易被crop掉 :param input_size: [w,h] :param rgb_mean: :param rgb_std: :param trans_type: :return:: """ if trans_type == "train": transform = transforms.Compose([ transforms.Resize([int(128 * input_size[1] / 112), int(128 * input_size[0] / 112)]), transforms.RandomHorizontalFlip(), # 随机左右翻转 # transforms.RandomVerticalFlip(), # 随机上下翻转 transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.1), transforms.RandomRotation(degrees=5), transforms.RandomCrop([input_size[1], input_size[0]]), transforms.ToTensor(), transforms.Normalize(mean=rgb_mean, std=rgb_std), ]) elif trans_type == "val" or trans_type == "test": transform = transforms.Compose([ transforms.Resize([input_size[1], input_size[0]]), # transforms.CenterCrop([input_size[1], input_size[0]]), # transforms.Resize(input_size), transforms.ToTensor(), transforms.Normalize(mean=rgb_mean, std=rgb_std), ]) else: raise Exception("transform_type ERROR:{}".format(trans_type)) return transform

修改配置文件数据路径：config.yaml

# 训练数据集，可支持多个数据集 train_data: - '/path/to/Chinese-Medicine-163/train' # 测试数据集 test_data: '/path/to/Chinese-Medicine-163/test' # 类别文件 class_name: '/path/to/Chinese-Medicine-163/class_names.txt' （3）配置文件: config.yaml 目前支持的backbone有：googlenet,resnet[18,34,50],inception_v3,mobilenet_v2等，其他backbone可以自定义添加训练参数可以通过(configs/config.yaml)配置文件进行设置

配置文件config.yaml说明如下：

train_data和test_data修改为自己的数据路径注意数据路径分隔符使用【/】,不是【\】项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！ # 训练数据集，可支持多个数据集 train_data: - '/path/to/Chinese-Medicine-163/train' # 测试数据集 test_data: '/path/to/Chinese-Medicine-163/test' # 类别文件 class_name: '/path/to/Chinese-Medicine-163/class_name.txt' train_transform: "train" # 训练使用的数据增强方法 test_transform: "val" # 测试使用的数据增强方法 work_dir: "work_space/" # 保存输出模型的目录 net_type: "resnet18" # 骨干网络,支持：resnet18/50,mobilenet_v2,googlenet,inception_v3 width_mult: 1.0 input_size: [ 224,224 ] # 模型输入大小 rgb_mean: [ 0.5, 0.5, 0.5 ] # for normalize inputs to [-1, 1],Sequence of means for each channel. rgb_std: [ 0.5, 0.5, 0.5 ] # for normalize,Sequence of standard deviations for each channel. batch_size: 32 lr: 0.01 # 初始学习率 optim_type: "SGD" # 选择优化器，SGD,Adam loss_type: "CrossEntropyLoss" # 选择损失函数：支持CrossEntropyLoss,LabelSmoothing momentum: 0.9 # SGD momentum num_epochs: 100 # 训练循环次数 num_warn_up: 3 # warn-up次数 num_workers: 8 # 加载数据工作进程数 weight_decay: 0.0005 # weight_decay，默认5e-4 scheduler: "multi-step" # 学习率调整策略 milestones: [ 20,50,80 ] # 下调学习率方式 gpu_id: [ 0 ] # GPU ID log_freq: 50 # LOG打印频率 progress: True # 是否显示进度条 pretrained: False # 是否使用pretrained模型 finetune: False # 是否进行finetune 参数类型参考值说明train_datastr, list-训练数据文件，可支持多个文件test_datastr, list-测试数据文件，可支持多个文件class_namestr-类别文件work_dirstrwork_space训练输出工作空间net_typestrresnet18 backbone类型,{resnet18/50,mobilenet_v2,googlenet,inception_v3}

| | input_size | list | [128,128] | 模型输入大小[W,H] | | batch_size | int | 32 | batch size | | lr | float | 0.1 | 初始学习率大小 | | optim_type | str | SGD | 优化器，{SGD,Adam} | | loss_type | str | CELoss | 损失函数 | | scheduler | str | multi-step | 学习率调整策略，{multi-step,cosine} | | milestones | list | [30,80,100] | 降低学习率的节点，仅仅scheduler=multi-step有效 | | momentum | float | 0.9 | SGD动量因子 | | num_epochs | int | 120 | 循环训练的次数 | | num_warn_up | int | 3 | warn_up的次数 | | num_workers | int | 12 | DataLoader开启线程数 | | weight_decay | float | 5e-4 | 权重衰减系数 | | gpu_id | list | [ 0 ] | 指定训练的GPU卡号，可指定多个 | | log_freq | in | 20 | 显示LOG信息的频率 | | finetune | str | model.pth | finetune的模型 | | progress | bool | True | 是否显示进度条 | | distributed | bool | False | 是否使用分布式训练 |

（4）开始训练

整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

终端输入：

python train.py -c configs/config.yaml （5）可视化训练过程训练过程可视化工具是使用Tensorboard，使用方法,在终端输入：

使用教程，请参考：项目开发使用教程和常见问题和解决方法

# 基本方法 tensorboard --logdir=path/to/log/ # 例如 tensorboard --logdir=work_space/resnet18_1.0_CrossEntropyLoss_20230404151914/log

可视化效果

（6）一些优化建议

训练完成后，训练集的Accuracy在99.%以上，测试集的Accuracy在98.5%左右，下表给出已经训练好的三个模型，其中mobilenet_v2的准确率可以达到84.4500%，googlenet的准确率可以达到98.4200%，resnet18的准确率可以达到98.4700%

模型input sizeTest准确率mobilenet_v2224×22484.4500%googlenet224×22498.4200%resnet18224×22498.4700%

如果想进一步提高准确率，可以尝试：

增加样本数据：可以采集更多的样本数据，提高模型泛化能力减少种类：中草药数据集共有163种类，可以剔除部分不常见的种类数据清洗数据：中草药数据集，部分数据是通过网上爬取的，存在部分错误的图片，尽管鄙人已经清洗一部分了，但还是建议你，训练前，再次清洗数据集，不然会影响模型的识别的准确率。使用不同backbone模型，比如resnet50或者更深的模型增加数据增强：已经支持：随机裁剪，随机翻转，随机旋转，颜色变换等数据增强方式，可以尝试诸如mixup，CutMix等更复杂的数据增强方式样本均衡：建议进行样本均衡处理调超参：比如学习率调整策略，优化器（SGD,Adam等）损失函数：目前训练代码已经支持：交叉熵，LabelSmoothing，可以尝试FocalLoss等损失函数（7）一些运行错误处理方法： cannot import name ‘load_state_dict_from_url’

由于一些版本升级，会导致部分接口函数不能使用，请确保版本对应

torch==1.7.1

torchvision==0.8.2

或者将对应python文件将

from torchvision.models.resnet import model_urls, load_state_dict_from_url

修改为：

from torch.hub import load_state_dict_from_url model_urls = { 'mobilenet_v2': 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth', 'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth', 'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth', 'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth', 'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth', 'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth', 'resnext50_32x4d': 'https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth', 'resnext101_32x8d': 'https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth', 'wide_resnet50_2': 'https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth', 'wide_resnet101_2': 'https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth', } 4. 中草药分类识别模型测试效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

def get_parser(): # 配置文件 config_file = "data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/config.yaml" # 模型文件 model_file = "data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/model/best_model_116_98.4700.pth" # 待测试图片目录 image_dir = "data/test_images" parser = argparse.ArgumentParser(description="Inference Argument") parser.add_argument("-c", "--config_file", help="configs file", default=config_file, type=str) parser.add_argument("-m", "--model_file", help="model_file", default=model_file, type=str) parser.add_argument("--device", help="cuda device id", default="cuda:0", type=str) parser.add_argument("--image_dir", help="image file or directory", default=image_dir, type=str) return parser #!/usr/bin/env bash # Usage: # python demo.py -c "path/to/config.yaml" -m "path/to/model.pth" --image_dir "path/to/image_dir" # 配置文件 config_file="data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/config.yaml" # 模型文件 model_file="data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/model/best_model_116_98.4700.pth" # 待测试图片目录 image_dir="data/test_images" python demo.py -c $config_file -m $model_file --image_dir $image_dir

Windows系统，请将$config_file， m o d e l _ f i l e ， model\_file ， model_file，image_dir等变量代替为对应的变量值即可，如

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。