本文着重讲不学无术的大学生如何快速上手跑出结果。本项目基于resnet34识别四类示意图，由cat vs dog项目改写而来。文末会说明如何快速把它改成你想要的项目（图片二分类等）。
项目代码、数据集下载：ht删tps://p除an.bai中du.c文om/s/1F打aI6hKNPB_0w_oed9H开0STg 提取码: z5v5
1.各文件/文件夹作用
自上到下：
checkpoints 储存每个epoch训练后的模型
datasets 储存训练集、测试集
image 用来给数据集做重命名，后面会提到
result 似乎没用过？
图片分类结果 手动分类的数据集。将示意图分四类，每类约150张
config 储存模型相关参数完全不用修改
dataset 数据集预处理等工作。
rename 数据集图片重命名用，后面会讲
test_model是从checkpoints里取出来训练好的模型改个名，文件夹里是我们的模型
test 测试程序，train 训练程序。
2.如何运行项目
先自己看import哪些库，装好库
①图片重命名
我使用的数据集存在图片分类结果文件夹了，你也可以不用它。
把分类好的四类图片中任一类（如sketch1）全部放入image/raw。
将rename.py中的label = 'sketch4'改成label = 'sketch1'
index_list = [i for i in range(52, imgs_num + 52)]也要根据图片数量做调整相信废物大学生也能看得懂
运行rename.py会在image/processed生成重命名好的图片。格式为sktech1.0.jpg、sktech1.1.jpg、sktech1.2.jpg等。将这些图片二八分开分别放入datasets/test和datasets/train
四类图片都要这样处理。
需要注意的是，最后无论是test文件夹还是train文件夹，图片的id不能重复，比如sktech1.0.jpg里0就是id。不能同时存在sktech1.0.jpg和sktech2.0.jpg 。
②运行train.py训练模型。
此时checkpoints文件夹里会多出来很多模型，同时shell会输出正确率。当你认为正确率够高就可以停了，从checkpoints拿出最新的模型改名为test_model，拿到主目录替换我们的模型。
③运行test.py输出正确率。
此时项目运行完成。
3.Q&A
①老师的要求是分类其他类型的图片，不是你给的示意图。怎么办？
答：用你自己的数据集即可。不知道怎么找数据集可以评论区问。
②老师的要求是图片的二/三分类，怎么修改代码？
答：以二分类为例。修改以下代码：
datasets.py:第60行
从四类改两类。
rename.py:重命名图片跟着上面步骤做。
test_modification.py:
29行的model.fc = nn.Linear(512, 4) 把4改成2.
48行（下图）改2类
72行同理：
train.py:
30行model.fc = nn.Linear(512,4) 把4改成2
110行confusion_matrix = meter.ConfusionMeter(4) 把4改2
120行accuracy = 100.* (cm_value[0][0] + cm_value[1][1] + cm_value[2][2] + cm_value[3][3]) / (cm_value.sum()) 把cm_value[2][2] + cm_value[3][3])删掉，只留两类。
应该就这些，改不好来评论区问。
③你这项目没做可视化啊？
答：确实。
本文结束
以下代码无关本文，仅充数用
-
# coding=utf-8
-
-
""" test
-
使用测试集测试模型结果
-
"""
-
-
from config
import _setting_
-
import os
-
import torch
as t
-
from dataset
import NatureSketchClassification
-
from torch.utils.data
import DataLoader
-
from torchnet
import meter
-
from torch.autograd
import Variable
-
from torchvision
import models
-
from torch
import nn
-
import time
-
import csv
-
-
-
""""""
-
def
test(
**kwargs):
-
# set data
-
test_data = NatureSketchClassification(_setting_.test_data_root, test=
True)
-
test_dataloader = DataLoader(test_data, batch_size=_setting_.batch_size, shuffle=
False, num_workers=_setting_.num_workers)
-
results = []
-
-
# set model
-
model = models.resnet34(weights=models.ResNet34_Weights.IMAGENET1K_V1)
-
model.fc = nn.Linear(
512,
4)
-
model.load_state_dict(t.load(
'./test_model.pth', map_location=
'cpu'))
-
model.
eval()
-
-
for
id, (data, path)
in
enumerate(test_dataloader):
-
# input = Variable(data,volatile=True)
-
-
with t.no_grad():
-
input = Variable(data)
-
-
score = model(
input)
-
print(
'score=',score)
#检验score
-
path = path.numpy().tolist()
-
_,predicted = t.
max(score.data,
1)
-
#Modification
-
predicted = predicted.data.cpu().numpy().tolist()
-
res =
""
-
print(
'predicted=',predicted)
#检验predicted
-
#Modification
-
for (i, j)
in
zip(path, predicted):
-
if j ==
0:
-
res =
"sketch1"
-
elif j ==
1:
-
res =
"sketch2"
-
elif j ==
2:
-
res =
"sketch3"
-
elif j ==
3:
-
res =
"sketch4"
-
print(
'res=',res)
#检验res(result)
-
results.append([i,
"".join(res)])
-
-
-
res = []
-
truth =
""
-
compare =
""
-
imgs = [os.path.join(_setting_.test_data_root,img)
for img
in os.listdir(_setting_.test_data_root)]
#获取root路径下所有图片的地址
-
imgs_num =
len(imgs)
# 图片数量
-
NumofCorrect =
0
-
imgs =
sorted(imgs,key=
lambda x:
int(x.split(
'.')[-
2].split(
'/')[-
1]))
# 按序号排序
-
for image
in imgs:
-
id =
int(image.split(
'.')[-
2].split(
'/')[-
1])
# 获取id
-
#Modification
-
-
if
'sketch1'
in image.split(
'/')[-
1]:
-
truth =
'sketch1'
-
elif
'sketch2'
in image.split(
'/')[-
1]:
-
truth =
'sketch2'
-
elif
'sketch3'
in image.split(
'/')[-
1]:
-
truth =
'sketch3'
-
else:
-
truth =
'sketch4'
-
print(
'truth=',truth)
-
#truth = 'nature' if 'nature' in image.split('/')[-1] else 'sketch' # 获取图片的真实分类
-
compare =
'true'
if truth == results[
id -
1][
1]
else
'false'
-
if compare ==
'true':
-
NumofCorrect = NumofCorrect +
1
-
res.append([results[
id -
1][
0], results[
id -
1][
1],
"".join(truth), compare])
-
-
Accuracy = NumofCorrect / imgs_num *
100
-
round(Accuracy,
2)
-
write_csv(res, _setting_.result_file, Accuracy)
-
-
for
id, label, truth, compare
in res:
-
if compare ==
'false':
-
print(
"number: "+
str(
id) +
", res: " + label +
", truth: " + truth +
", IsCorrect: " + compare)
-
print(
"Accuracy: " +
str(Accuracy))
-
return results
-
-
-
""""""
-
def
write_csv(
results, file_name, acc):
-
Accuracy = []
-
Accuracy.append([
" ",
"Accuracy",
"".join(
str(acc))])
-
with
open(file_name,
"w")
as f:
-
writer = csv.writer(f)
-
writer.writerow([
'id',
'label',
'truth',
'IsCorrect'])
-
writer.writerows(results)
-
writer.writerows(Accuracy)
-
-
if __name__ ==
'__main__':
-
test()
转载：https://blog.csdn.net/m0_66480474/article/details/127592119