通过深度残差网络进行图像分类（pytorch网络多网络集成配置）

简介

本项目通过配置文件修改，实现pytorch的ResNet18, ResNet34, ResNet50, ResNet101, ResNet152网络更替，并通过代码实现自动生成识别所需的标签文件classes.txt（默认使用编码utf-8）。
开发者只需要填写一些基本的元素如数据集地址，图像预处理大小，模型保存地址即可实现模型的训练和调用。（GitHub： https://github.com/a2king/ResNet_pytorch）

配置文件

# 配置
net: ResNet50  # 网络模型选择(ResNet18, ResNet34, ResNet50, ResNet101, ResNet152)
class_path: C:/***/classes.txt  # 标签文件路径
width: 32
height: 32
train:epoch: 135  # 遍历数据集次数pre_epoch: 0  # 定义已经遍历数据集的次数batch_size: 256  # 批处理尺寸(batch_size)lr: 0.1  # 学习率train_data: C:/原图  # 训练集路径test_data: C:/原图  # 训练集路径is_gpu: False  # 是否使用gpunum_workers: 8  # 并行处理数据进程数，根据显存大小自定义，显存越小work数越小out_model_path: H:/***/model  #  网络模型保存地址
test:model_path: H:/***/net_181.pth  # 测试所用的模型路径is_gpu: False  # 是否使用gpu

训练

# 修改配置文件config.yaml后运行train.py脚本即可
python3 train.py

测试主要代码解析（可根据自己的需求自行修改）

"""遍历文件夹"""
root = "H:/geetest_word_label/notfind/***"  # 需要测试的图片文件夹地址with torch.no_grad():for dirpath, dirnames, filenames in os.walk(root):for filepath in filenames:path = os.path.join(dirpath, filepath).replace('\\', '/')images = Image.open(path)images_t = transform_test(images).unsqueeze(0)outputs = net(images_t.to(device))# 取得分最高的那个类 (outputs.data的索引号)_, predicted = torch.max(outputs.data, 1)print(classes[predicted.item()])  # 打印图片分类结果cv2.imshow("test", cv2.cvtColor(numpy.asarray(images), cv2.COLOR_RGB2BGR))  # 显示当前测试的图片内容cv2.waitKey()

数据集说明

data
├── 阿└── 1.jpg└── 2.jpg└── 3.jpg└── ...└── 99.jpg
├── 你└── 1.jpg└── 2.jpg└── 3.jpg└── ...└── 99.jpg
├── 我└── 1.jpg└── 2.jpg└── 3.jpg└── ...└── 99.jpg
├── ...
|
├── 在└── 1.jpg└── 2.jpg└── 3.jpg└── ...└── 99.jpg

本项目提供网络公开的易盾单文子数据集（链接：https://pan.baidu.com/s/1wl45A1ikrd8qQ9cs4AoKjQ 提取码：oqzv）

项目声明

本项目提供一种旋转文字验证码技术实战。项目仅供与个人研究，请勿进行商业操作或攻击网站。

通过深度残差网络ResNet进行图像分类（pytorch网络多网络集成配置）相关推荐

【深度学习】非常详细 | 用 Pytorch 理解卷积网络
在当今时代,机器在理解和识别图像中的特征和目标方面已经成功实现了99%的精度.我们每天都会看到这种情况-智能手机可以识别相机中的面部:使用Google图片搜索特定照片的能力:从条形码或书籍中扫描文本. ...
深度残差网络RESNET
一.残差神经网络--ResNet的综述深度学习网络的深度对最后的分类和识别的效果有着很大的影响,所以正常想法就是能把网络设计的越深越好, 但是事实上却不是这样,常规的网络的堆叠(plain netw ...
深度学习——残差神经网络ResNet在分别在Keras和tensorflow框架下的应用案例
原文链接:https://blog.csdn.net/loveliuzz/article/details/79117397 一.残差神经网络--ResNet的综述深度学习网络的深度对最后的分类和识别 ...
【PyTorch】Resnet/深度残差网络
1 模型描述深度残差网络(Resnet)是由来自Microsoft Research的4位学者(Kaiming He等人)提出的卷积神经网络,在2015年的ImageNet大规模视觉识别竞赛(Ima ...
【深度学习】ResNet残差网络 ResidualBlock残差块实现(pytorch) | 跟着李沐学AI笔记 | ResNet18进行猫狗分类
文章目录前言一.卷积的相关计算公式(复习) 二.残差块ResidualBlock复现(pytorch) 三.残差网络ResNet18复现(pytorch) 四.直接调用方法五.具体实践(ResN ...
何恺明编年史之深度残差网络ResNet
文章目录前言一.提出ResNet原因二.深度残差模块 1.数学理论基础 2.深度网络结构三.Pytorch代码实现四.总结前言图像分类是计算机视觉任务的基石,在目标监测.图像分割等任务中 ...
图像分类经典卷积神经网络—ResNet论文翻译（中英文对照版）—Deep Residual Learning for Image Recognition（深度残差学习的图像识别）
图像分类经典论文翻译汇总:[翻译汇总] 翻译pdf文件下载:[下载地址] 此版为中英文对照版,纯中文版请稳步:[ResNet纯中文版] Deep Residual Learning for Image ...
深度残差网络（ResNet）浅析
深度残差网络是2015年提出的深度卷积网络,一经出世,便在ImageNet中斩获图像分类.检测.定位三项的冠军. 我们都知道增加网络的宽度和深度可以很好的提高网络的性能,深的网络一般都比浅的的网络效果 ...
图像分类经典卷积神经网络—ResNet论文翻译（纯中文版）—Deep Residual Learning for Image Recognition（深度残差学习的图像识别）
图像分类经典论文翻译汇总:[翻译汇总] 翻译pdf文件下载:[下载地址] 此版为纯中文版,中英文对照版请稳步:[ResNet中英文对照版] Deep Residual Learning for Ima ...

通过深度残差网络ResNet进行图像分类（pytorch网络多网络集成配置）