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!!!
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:
- 如何使用数据增强,包括transforms的增强、CutOut、MixUp、CutMix等增强手段?
- 如何配置MicroNet模型实现训练?
- 如何使用pytorch自带混合精度?
- 如何使用梯度裁剪防止梯度爆炸?
- 如何使用DP多显卡训练?
- 如何绘制loss和acc曲线?
- 如何生成val的测评报告?
- 如何编写测试脚本测试测试集?
- 如何使用余弦退火策略调整学习率?
- 如何使用AverageMeter类统计ACC和loss等自定义变量?
- 如何理解和统计ACC1和ACC5?
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。项目结构
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。
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().
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:
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
- pytorch知识宝典|micronet 测试2
- 前端|知识图谱编辑器(KG-Editor)
- 大数据|一图看懂华为数字化转型规划的“三阶十二步法”,值得收藏!
- 人工智能|关于机器学习,我们忽视的东西
- Nginx中的模块分类及常见配置项说明
- Python|10分钟手把手教你运用Python实现简单的人脸识别
- 人工智能时代码农转行新选择!
- java|大厂如何决定裁掉谁()
- 人工智能|码农创造了AI,但开发AI不再需要码农了(?)