图像分类|MicroNet实战(使用MicroNet实现图像分类)


MicroNet实战

  • 摘要
  • 安装包
    • 1、安装timm
    • 2、安装yacs
  • 数据增强Cutout和Mixup
  • 项目结构
  • 计算mean和std
  • 生成数据集

摘要 本文通过对植物幼苗分类的实际例子来感受一下MicroNet模型的效果。模型来自官方,我自己写了train和test部分。从得分情况来看,这个模型非常的优秀,我选择用的MicroNet-M3模型,大小仅有6M,但是ACC在95%左右,成绩非常惊艳!!!
图像分类|MicroNet实战(使用MicroNet实现图像分类)
文章图片

这篇文章从实战的角度手把手带领大家完成训练和测试。通过这篇文章能让你学到:
  1. 如何使用数据增强,包括transforms的增强、CutOut、MixUp、CutMix等增强手段?
  2. 如何配置MicroNet模型实现训练?
  3. 如何使用pytorch自带混合精度?
  4. 如何使用梯度裁剪防止梯度爆炸?
  5. 如何使用DP多显卡训练?
  6. 如何绘制loss和acc曲线?
  7. 如何生成val的测评报告?
  8. 如何编写测试脚本测试测试集?
  9. 如何使用余弦退火策略调整学习率?
  10. 如何使用AverageMeter类统计ACC和loss等自定义变量?
  11. 如何理解和统计ACC1和ACC5?
安装包 1、安装timm 使用pip就行,命令:
pip install timm

2、安装yacs
pip install yacs

yacs的作者大名鼎鼎的Ross Girshick,faster-rcnn的作者。github地址:https://github.com/rbgirshick/yacs
yacs是一个轻量级用于定义和管理系统配置的开源库,是科学实验软件中常用的参数配置。在机器学习、深度学习模型训练过程中的超参数配置(卷积神经网络的深度,初始学习率等)。科学实验的重现性至关重要,因此,需要记录实验过程中的参数设置,以达到后期进行实验的重现。yacs使用一种简单的,可读的yaml格式。
数据增强Cutout和Mixup 为了提高成绩我在代码中加入Cutout和Mixup这两种增强方式。实现这两种增强需要安装torchtoolbox。安装命令:
pip install torchtoolbox

Cutout实现,在transforms中。
from torchtoolbox.transform import Cutout # 数据预处理 transform = transforms.Compose([ transforms.Resize((224, 224)), Cutout(), transforms.ToTensor(), transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])])

需要导入包:from timm.data.mixup import Mixup,
定义Mixup,和SoftTargetCrossEntropy
mixup_fn = Mixup( mixup_alpha=0.8, cutmix_alpha=1.0, cutmix_minmax=None, prob=0.1, switch_prob=0.5, mode='batch', label_smoothing=0.1, num_classes=12) criterion_train = SoftTargetCrossEntropy()

参数详解:
mixup_alpha (float): mixup alpha 值,如果 > 0,则 mixup 处于活动状态。
cutmix_alpha (float):cutmix alpha 值,如果 > 0,cutmix 处于活动状态。
cutmix_minmax (List[float]):cutmix 最小/最大图像比率,cutmix 处于活动状态,如果不是 None,则使用这个 vs alpha。
如果设置了 cutmix_minmax 则cutmix_alpha 默认为1.0
prob (float): 每批次或元素应用 mixup 或 cutmix 的概率。
switch_prob (float): 当两者都处于活动状态时切换cutmix 和mixup 的概率 。
mode (str): 如何应用 mixup/cutmix 参数(每个’batch’,‘pair’(元素对),‘elem’(元素)。
correct_lam (bool): 当 cutmix bbox 被图像边框剪裁时应用。 lambda 校正
label_smoothing (float):将标签平滑应用于混合目标张量。
num_classes (int): 目标的类数。
项目结构
ConvMAE_demo ├─data │├─Black-grass │├─Charlock │├─Cleavers │├─Common Chickweed │├─Common wheat │├─Fat Hen │├─Loose Silky-bent │├─Maize │├─Scentless Mayweed │├─Shepherds Purse │├─Small-flowered Cranesbill │└─Sugar beet ├─models │├─__init__.py │├─micronet.py │├─activation.py │└─microconfig.py ├─utils │├─__init__.py │└─defaults.py ├─checkpoint.pth ├─mean_std.py ├─makedata.py ├─train.py └─test.py

mean_std.py:计算mean和std的值。
makedata.py:生成数据集。
models文件夹下的micronet.py、activation.py和microconfig.py:来自官方的pytorch版本的代码。
- micronet.py:网络文件。
- activation.py:激活函数文件,定义了DYShiftMax激活函数。
- microconfig.py:网络配置参数。定义了m0到m3网络的参数。
utils文件夹下的defaults.py定义了cfg的参数,这些参数是m0到m3网络的设置参数。
详细的参数设置如下:
M0:
MODEL.MICRONETS.BLOCK="DYMicroBlock" MODEL.MICRONETS.NET_CONFIG="msnx_dy6_exp4_4M_221" MODEL.MICRONETS.STEM_CH=4 MODEL.MICRONETS.STEM_GROUPS=[2,2] MODEL.MICRONETS.STEM_DILATION=1 MODEL.MICRONETS.STEM_MODE="spatialsepsf" MODEL.MICRONETS.OUT_CH=640 MODEL.MICRONETS.DEPTHSEP=True MODEL.MICRONETS.POINTWISE='group' MODEL.MICRONETS.DROPOUT=0.05 MODEL.ACTIVATION.MODULE="DYShiftMax" MODEL.ACTIVATION.ACT_MAX=2.0 MODEL.ACTIVATION.LINEARSE_BIAS=False MODEL.ACTIVATION.INIT_A_BLOCK3=[1.0,0.0] MODEL.ACTIVATION.INIT_A=[1.0,1.0] MODEL.ACTIVATION.INIT_B=[0.0,0.0] MODEL.ACTIVATION.REDUCTION=8 MODEL.MICRONETS.SHUFFLE=True

M1:
MODEL.MICRONETS.BLOCK="DYMicroBlock" MODEL.MICRONETS.NET_CONFIG="msnx_dy6_exp6_6M_221" MODEL.MICRONETS.STEM_CH=6 MODEL.MICRONETS.STEM_GROUPS=[3,2] MODEL.MICRONETS.STEM_DILATION=1 MODEL.MICRONETS.STEM_MODE="spatialsepsf" MODEL.MICRONETS.OUT_CH=960 MODEL.MICRONETS.DEPTHSEP=True MODEL.MICRONETS.POINTWISE='group' MODEL.MICRONETS.DROPOUT=0.05 MODEL.ACTIVATION.MODULE="DYShiftMax" MODEL.ACTIVATION.ACT_MAX=2.0 MODEL.ACTIVATION.LINEARSE_BIAS=False MODEL.ACTIVATION.INIT_A_BLOCK3=[1.0,0.0] MODEL.ACTIVATION.INIT_A=[1.0,1.0] MODEL.ACTIVATION.INIT_B=[0.0,0.0] MODEL.ACTIVATION.REDUCTION=8 MODEL.MICRONETS.SHUFFLE=True

M2:
MODEL.MICRONETS.BLOCK="DYMicroBlock" MODEL.MICRONETS.NET_CONFIG="msnx_dy9_exp6_12M_221" MODEL.MICRONETS.STEM_CH=8 MODEL.MICRONETS.STEM_GROUPS=[4,2] MODEL.MICRONETS.STEM_DILATION=1 MODEL.MICRONETS.STEM_MODE="spatialsepsf" MODEL.MICRONETS.OUT_CH=1024 MODEL.MICRONETS.DEPTHSEP=True MODEL.MICRONETS.POINTWISE='group' MODEL.MICRONETS.DROPOUT=0.1 MODEL.ACTIVATION.MODULE="DYShiftMax" MODEL.ACTIVATION.ACT_MAX=2.0 MODEL.ACTIVATION.LINEARSE_BIAS=False MODEL.ACTIVATION.INIT_A_BLOCK3=[1.0,0.0] MODEL.ACTIVATION.INIT_A=[1.0,1.0] MODEL.ACTIVATION.INIT_B=[0.0,0.0] MODEL.ACTIVATION.REDUCTION=8 MODEL.MICRONETS.SHUFFLE=True

M3:
MODEL.MICRONETS.BLOCK="DYMicroBlock" MODEL.MICRONETS.NET_CONFIG="msnx_dy12_exp6_20M_020" MODEL.MICRONETS.STEM_CH=12 MODEL.MICRONETS.STEM_GROUPS=[4,3] MODEL.MICRONETS.STEM_DILATION=1 MODEL.MICRONETS.STEM_MODE="spatialsepsf" MODEL.MICRONETS.OUT_CH=1024 MODEL.MICRONETS.DEPTHSEP=True MODEL.MICRONETS.POINTWISE='group' MODEL.MICRONETS.DROPOUT=0.1 MODEL.ACTIVATION.MODULE="DYShiftMax" MODEL.ACTIVATION.ACT_MAX=2.0 MODEL.ACTIVATION.LINEARSE_BIAS=False MODEL.ACTIVATION.INIT_A_BLOCK3=[1.0,0.0] MODEL.ACTIVATION.INIT_A=[1.0,0.5] MODEL.ACTIVATION.INIT_B=[0.0,0.5] MODEL.ACTIVATION.REDUCTION=8 MODEL.MICRONETS.SHUFFLE=True

为了能在DP方式中使用混合精度,还需要在模型的forward函数前增加@autocast().
图像分类|MicroNet实战(使用MicroNet实现图像分类)
文章图片

计算mean和std 为了使模型更加快速的收敛,我们需要计算出mean和std的值,新建mean_std.py,插入代码:
from torchvision.datasets import ImageFolder import torch from torchvision import transformsdef get_mean_and_std(train_data): train_loader = torch.utils.data.DataLoader( train_data, batch_size=1, shuffle=False, num_workers=0, pin_memory=True) mean = torch.zeros(3) std = torch.zeros(3) for X, _ in train_loader: for d in range(3): mean[d] += X[:, d, :, :].mean() std[d] += X[:, d, :, :].std() mean.div_(len(train_data)) std.div_(len(train_data)) return list(mean.numpy()), list(std.numpy())if __name__ == '__main__': train_dataset = ImageFolder(root=r'data1', transform=transforms.ToTensor()) print(get_mean_and_std(train_dataset))

数据集结构:
图像分类|MicroNet实战(使用MicroNet实现图像分类)
文章图片

运行结果:
([0.3281186, 0.28937867, 0.20702125], [0.09407319, 0.09732835, 0.106712654])

把这个结果记录下来,后面要用!
生成数据集 我们整理还的图像分类的数据集结构是这样的
data ├─Black-grass ├─Charlock ├─Cleavers ├─Common Chickweed ├─Common wheat ├─Fat Hen ├─Loose Silky-bent ├─Maize ├─Scentless Mayweed ├─Shepherds Purse ├─Small-flowered Cranesbill └─Sugar beet

pytorch和keras默认加载方式是ImageNet数据集格式,格式是
├─data │├─val ││├─Black-grass ││├─Charlock ││├─Cleavers ││├─Common Chickweed ││├─Common wheat ││├─Fat Hen ││├─Loose Silky-bent ││├─Maize ││├─Scentless Mayweed ││├─Shepherds Purse ││├─Small-flowered Cranesbill ││└─Sugar beet │└─train │├─Black-grass │├─Charlock │├─Cleavers │├─Common Chickweed │├─Common wheat │├─Fat Hen │├─Loose Silky-bent │├─Maize │├─Scentless Mayweed │├─Shepherds Purse │├─Small-flowered Cranesbill │└─Sugar beet

新增格式转化脚本makedata.py,插入代码:
import glob import os import shutilimage_list=glob.glob('data1/*/*.png') print(image_list) file_dir='data' if os.path.exists(file_dir): print('true') #os.rmdir(file_dir) shutil.rmtree(file_dir)#删除再建立 os.makedirs(file_dir) else: os.makedirs(file_dir)from sklearn.model_selection import train_test_split trainval_files, val_files = train_test_split(image_list, test_size=0.3, random_state=42) train_dir='train' val_dir='val' train_root=os.path.join(file_dir,train_dir) val_root=os.path.join(file_dir,val_dir) for file in trainval_files: file_class=file.replace("\\","/").split('/')[-2] file_name=file.replace("\\","/").split('/')[-1] file_class=os.path.join(train_root,file_class) if not os.path.isdir(file_class): os.makedirs(file_class) shutil.copy(file, file_class + '/' + file_name)for file in val_files: file_class=file.replace("\\","/").split('/')[-2] file_name=file.replace("\\","/").split('/')[-1] file_class=os.path.join(val_root,file_class) if not os.path.isdir(file_class): os.makedirs(file_class) shutil.copy(file, file_class + '/' + file_name)

【图像分类|MicroNet实战(使用MicroNet实现图像分类)】完成上面的内容就可以开启训练和测试了,详见下面的链接:

    推荐阅读