文章目录

1. 项目背景
- 1.1 岩石与油气
- 1.2 日常的小细节
- 1.3 岩石的特性与石油的关系
- 1.4 现有的岩石识别系统
- 1.5 自我感想
2. 数据集选取
3. PaddleX 安装
- 3.1 MobileNetV3
- 3.2 MobileNetV3 的其他平台开源版本
- 3.3 主要内容
4. 配置超参数并训练模型
- 4.1 训练通用统计信息
- 4.2 训练日志字段
5. 测试模型效果
6. 可视化模型效果
7. 总结

项目地址：https://aistudio.baidu.com/aistudio/projectdetail/3539295

1. 项目背景

考虑到自己学习的是人工智能和油气的交叉学科，就想试试能不能从基本的岩石识别来做起，做一个岩石识别的小任务。

本次任务思路来源于AI达人创造营第二期，欢迎有兴趣的小伙伴们一起参加飞桨的开发活动！

也算是实现了自己的一个小目标。（人果然是被逼出来的）

1.1 岩石与油气

岩石的探测与识别是地质调查研究和矿产资源勘查的基础工作，岩石的精准识别与分类对地质的探测与识别极为重要，一般可通过多种方式进行鉴定，例如重磁、测井、地震、遥感、电磁、地球化学、手标本及薄片分析方法等方法。

1.2 日常的小细节

在日常生活中，当我们把少量的水洒到海绵上时，会发现水渗入海绵的孔隙中，且不会流出。与这种现象相似，石油和天然气是储存在岩石的孔隙和裂缝中的，储存油气的岩石叫储层。

1.3 岩石的特性与石油的关系

岩石的种类多种多样，已经被人们认识的有近百种，但能够形成储层的岩石必须具备一定的孔隙性和渗透性。孔隙性的好坏直接决定岩层储存油气的数量，渗透性的好坏控制了储集层内所含油气的产能。我国已发现的储层类型是多种多样的，主要有砂岩储层、碳酸盐岩储层、火山岩储层、结晶岩储层和泥质岩储层。

1.4 现有的岩石识别系统

自然资源部中国地质调查局“地质云”矿物、岩石识别系统，是人工智能（AI）技术在地质信息化中的典型应用。基本原理是——采用人工智能方式，把已确认的矿物、岩石图片存放于地质云服务器中，建立识别模型，通过计算机深度学习方式，对新采集的矿物、岩石图像进行识别。这个系统是地质专业初学者及非地质工作人员快速了解和识别矿物、岩石的辅助工具。

来源：https://www.cgs.gov.cn/xwl/sp/yangshi/201810/t20181019_469426.html

1.5 自我感想

看到上面这个系统的时候，我就想着能不能自己做一个。他行我也行！我也是大天朝的研究生！我也是学AI的！况且百度飞桨的套件花样多，能够玩出花来！

2. 数据集选取

这个数据集其实是百度公开的数据集修改来的
原始数据集是这个：

https://aistudio.baidu.com/aistudio/datasetdetail/85829#/

修改折腾后了好几版，后来发现之前折腾的数据集被公开了还不能删除。。。私下想着，以后会不会有人看了看数据集，发现质量这么差会不会骂死我？

修改后的数据集3.0：

https://aistudio.baidu.com/aistudio/datasetdetail/129645

不过后期由于对数据集的认识不够，自己私下写了一些批量修改代码，批量重命名的程序，把图片都处理了一下。

这个数据集主要是集中基本的岩石类别，主要有“玄武岩”、“花岗岩”、“大理石”、“石英岩”、“煤”、“石灰石”、“砂岩” 共计7类。

每一个类别都是一个文件夹，推荐使用PaddleX来对这个数据集进行自动划分，贼方便有木有！

其中一个图片是这样子的：很黑吧！

当然黑了，这是煤！

#解压数据集
!unzip -oq data/data129645/RockData.zip -d data/

#查看数据集目录树
!tree data/RockData/

# 引入依赖库
import cv2
import os
import numpy as np
import matplotlib.pyplot as plt

#图片抽样#读取数据集中一个文件夹的路径
file_dir = '/home/aistudio/data/RockData/Coal/'
#设立列表存储图片名
filesum = []
#读取图片名
for root, dirs, files in os.walk(file_dir): filesum.append(files)
filesum = filesum[0]
#打印图片名看看效果符不符合预期
#print(filesum)
#定义画布大小
plt.figure(figsize=(8, 8))
#循环读取图片并显示
for i in range(1,5):plt.subplot(2,2,i)plt.title(filesum[i])image = file_dir+filesum[i]#print(f">>>{image}")plt.imshow(cv2.imread(image,1))
plt.tight_layout()
plt.show()

3. PaddleX 安装

在这里我使用PaddleX套件，PaddleX套件在处理图像分类的问题上会大量节省开发效率，相关文档如下：

PaddleX项目官网：

https://www.paddlepaddle.org.cn/paddle/paddlex

PaddleX Github地址：

https://github.com/PaddlePaddle/PaddleX

PaddleX API开发模式快速上手：

https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/quick_start_API.md

PaddleX指标及日志：

https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/appendix/metrics.md

#使用pip安装方式安装2.1.0版本：
pip install paddlex==2.1.0 -i https://mirror.baidu.com/pypi/simple

#在模型进行训练时，我们需要划分训练集，验证集和测试集
#因此需要对如上数据进行划分，直接使用paddlex命令即可将数据集随机划分成70%训练集，20%验证集和10%测试集
#划分好的数据集会额外生成labels.txt, train_list.txt, val_list.txt, test_list.txt四个文件，之后可直接进行训练。
paddlex --split_dataset --format ImageNet --dataset_dir /home/aistudio/data/RockData --val_value 0.2 --test_value 0.1

3.1 MobileNetV3

模型使用的是MobileNetV3-百度改，是百度基于蒸馏方法得到的MobileNetV3预训练模型，模型结构与MobileNetV3一致，但精度更高。

3.2 MobileNetV3 的其他平台开源版本

（1）PyTorch实现1：https://github.com/xiaolai-sqlai/mobilenetv3

（2）PyTorch实现2：https://github.com/kuan-wang/pytorch-mobilenet-v3

（3）PyTorch实现3：https://github.com/leaderj1001/MobileNetV3-Pytorch

（4）Caffe实现：https://github.com/jixing0415/caffe-mobilenet-v3

（5）TensorFLow实现：https://github.com/Bisonai/mobilenetv3-tensorflow

3.3 主要内容

上面两张图是MobileNetV2和MobileNetV3的网络块结构。

MobileNetV3综合了以下三种模型的思想：

MobileNetV1的深度可分离卷积（depthwise separable convolutions）

MobileNetV2的具有线性瓶颈的逆残差结构(the inverted residual with linear bottleneck)

MnasNet的基于squeeze and excitation结构的轻量级注意力模型

详细的论文请参考：《Searching for MobileNetV3》

这里就不多赘述

4. 配置超参数并训练模型

#在训练和验证过程中，数据的处理
from paddlex import transforms as T
train_transforms = T.Compose([#图片自由裁剪T.RandomCrop(crop_size=224),T.Normalize()])eval_transforms = T.Compose([#图片大小自定义T.ResizeByShort(short_size=256),T.CenterCrop(crop_size=224),T.Normalize()
])

import paddlex as pdx
#定义数据集，pdx.datasets.ImageNet表示读取ImageNet格式的分类数据集：
train_dataset = pdx.datasets.ImageNet(data_dir='/home/aistudio/data/RockData',file_list='/home/aistudio/data/RockData/train_list.txt',label_list='/home/aistudio/data/RockData/labels.txt',transforms=train_transforms,shuffle=True)
eval_dataset = pdx.datasets.ImageNet(data_dir='/home/aistudio/data/RockData',file_list='/home/aistudio/data/RockData/val_list.txt',label_list='/home/aistudio/data/RockData/labels.txt',transforms=eval_transforms)

2022-02-27 19:49:23 [INFO]   Starting to read file list from dataset...
2022-02-27 19:49:23 [INFO]  1442 samples in file /home/aistudio/data/RockData/train_list.txt
2022-02-27 19:49:23 [INFO]  Starting to read file list from dataset...
2022-02-27 19:49:23 [INFO]  408 samples in file /home/aistudio/data/RockData/val_list.txt

4.1 训练通用统计信息

以下字段会在输出时候显示，具体含义如下：

字段	示例	含义
Epoch	Epoch=4/20	[迭代轮数]所有训练数据会被训练20轮，当前处于第4轮
Step	Step=62/66	[迭代步数]所有训练数据被训练一轮所需要的迭代步数为66，当前处于第62步
loss	loss=0.007226	[损失函数值]参与当前迭代步数的训练样本的平均损失函数值loss，loss值越低，表明模型在训练集上拟合的效果越好(如上日志中第1行表示第4个epoch的第62个Batch的loss值为0.007226)
lr	lr=0.008215	[学习率]当前模型迭代过程中的学习率
time_each_step	time_each_step=0.41s	[每步迭代时间]训练过程计算得到的每步迭代平均用时
eta	eta=0:9:44	[剩余时间]模型训练完成所需剩余时间预估为0小时9分钟44秒

4.2 训练日志字段

分类任务的训练日志除了通用统计信息外，还包括acc1和acc5两个特有字段。

注： acck准确率是针对一张图片进行计算的：把模型在各个类别上的预测得分按从高往低进行排序，取出前k个预测类别，若这k个预测类别包含了真值类，则认为该图片分类正确。

上图中第1行中的acc1表示参与当前迭代步数的训练样本的平均top1准确率，值越高代表模型越优；acc5表示参与当前迭代步数的训练样本的平均top5（若类别数n少于5，则为topn）准确率，值越高代表模型越优。

例如：

[TRAIN] Epoch=1/10, Step=20/22, loss=1.064334, acc1=0.671875, acc5=0.968750, lr=0.025000, time_each_step=0.15s, eta=0:0:31

代表：

Epoch=1/10[迭代轮数]所有训练数据会被训练10轮，当前处于第1轮；

Step=20/22[迭代步数]所有训练数据被训练一轮所需要的迭代步数为22，当前处于第20步；

loss=1.064334[损失函数值]loss值为1.064334；

acc1=0.671875 acc1表示整个验证集的平均top1准确率为0.671875；

acc5=0.968750 acc5表示整个验证集的平均top5准确率为0.968750；

lr=0.025000[学习率]当前模型迭代过程中的学习率；

time_each_step=0.15s[每步迭代时间]训练过程计算得到的每步迭代平均用时；

eta=0:0:31[剩余时间]模型训练完成所需剩余时间预估为0小时9分钟44秒；

#使用百度基于蒸馏方法得到的MobileNetV3预训练模型，模型结构与MobileNetV3一致，但精度更高。num_classes = len(train_dataset.labels)
model = pdx.cls.MobileNetV3_small(num_classes=num_classes)model.train(num_epochs=10,train_dataset=train_dataset,train_batch_size=64,eval_dataset=eval_dataset,lr_decay_epochs=[4, 6, 8],save_dir='output/mobilenetv3_small',#训练的输出保存在output/mobilenetv3_smalluse_vdl=True)#use_vdl=True表示可以启动visualdl并查看可视化的指标变化情况。

2022-02-27 20:04:02 [INFO]   Loading pretrained model from output/mobilenetv3_small/pretrain/MobileNetV3_small_x1_0_pretrained.pdparams
2022-02-27 20:04:03 [WARNING]   [SKIP] Shape of pretrained params fc.weight doesn't match.(Pretrained: (1280, 1000), Actual: [1280, 7])
2022-02-27 20:04:03 [WARNING]   [SKIP] Shape of pretrained params fc.bias doesn't match.(Pretrained: (1000,), Actual: [7])
......
poch=7, acc1=0.740327, acc5=0.979911 .
2022-02-27 20:04:42 [INFO]  Current evaluated best model on eval_dataset is epoch_6, acc1=0.7425594925880432
2022-02-27 20:04:42 [INFO]  Model saved in output/mobilenetv3_small/epoch_7.
2022-02-27 20:04:44 [INFO]  [TRAIN] Epoch=8/10, Step=6/22, loss=0.568543, acc1=0.781250, acc5=0.984375, lr=0.000250, time_each_step=0.19s, eta=0:0:14
2022-02-27 20:04:45 [INFO]  [TRAIN] Epoch=8/10, Step=16/22, loss=0.609234, acc1=0.796875, acc5=1.000000, lr=0.000250, time_each_step=0.15s, eta=0:0:10
2022-02-27 20:04:46 [INFO]  [TRAIN] Epoch 8 finished, loss=0.5681447, acc1=0.79545456, acc5=0.99502844 .
2022-02-27 20:04:46 [INFO]  Start to evaluate(total_samples=408, total_steps=7)...
2022-02-27 20:04:48 [INFO]  [EVAL] Finished, Epoch=8, acc1=0.732143, acc5=0.982143 .
2022-02-27 20:04:48 [INFO]  Current evaluated best model on eval_dataset is epoch_6, acc1=0.7425594925880432
2022-02-27 20:04:48 [INFO]  Model saved in output/mobilenetv3_small/epoch_8.
2022-02-27 20:04:49 [INFO]  [TRAIN] Epoch=9/10, Step=4/22, loss=0.511275, acc1=0.812500, acc5=1.000000, lr=0.000025, time_each_step=0.19s, eta=0:0:9
2022-02-27 20:04:50 [INFO]  [TRAIN] Epoch=9/10, Step=14/22, loss=0.546328, acc1=0.796875, acc5=1.000000, lr=0.000025, time_each_step=0.15s, eta=0:0:6
2022-02-27 20:04:52 [INFO]  [TRAIN] Epoch 9 finished, loss=0.5753054, acc1=0.8004261, acc5=0.9957386 .
2022-02-27 20:04:52 [INFO]  Start to evaluate(total_samples=408, total_steps=7)...
2022-02-27 20:04:53 [INFO]  [EVAL] Finished, Epoch=9, acc1=0.741071, acc5=0.982143 .
2022-02-27 20:04:53 [INFO]  Current evaluated best model on eval_dataset is epoch_6, acc1=0.7425594925880432
2022-02-27 20:04:53 [INFO]  Model saved in output/mobilenetv3_small/epoch_9.
2022-02-27 20:04:54 [INFO]  [TRAIN] Epoch=10/10, Step=2/22, loss=0.833730, acc1=0.718750, acc5=1.000000, lr=0.000025, time_each_step=0.19s, eta=0:0:3
2022-02-27 20:04:56 [INFO]  [TRAIN] Epoch=10/10, Step=12/22, loss=0.838117, acc1=0.750000, acc5=1.000000, lr=0.000025, time_each_step=0.15s, eta=0:0:1
2022-02-27 20:04:57 [INFO]  [TRAIN] Epoch=10/10, Step=22/22, loss=0.532285, acc1=0.781250, acc5=1.000000, lr=0.000025, time_each_step=0.15s, eta=0:0:0
2022-02-27 20:04:57 [INFO]  [TRAIN] Epoch 10 finished, loss=0.5774534, acc1=0.79616475, acc5=0.9957386 .
2022-02-27 20:04:58 [INFO]  Start to evaluate(total_samples=408, total_steps=7)...
2022-02-27 20:04:59 [INFO]  [EVAL] Finished, Epoch=10, acc1=0.745536, acc5=0.982143 .
2022-02-27 20:04:59 [INFO]  Model saved in output/mobilenetv3_small/best_model.
2022-02-27 20:04:59 [INFO]  Current evaluated best model on eval_dataset is epoch_10, acc1=0.7455357313156128
2022-02-27 20:04:59 [INFO]  Model saved in output/mobilenetv3_small/epoch_10.

5. 测试模型效果

#模型在训练过程中，会每间隔一定轮数保存一次模型
#在验证集上评估效果最好的一轮会保存在save_dir目录下的best_model文件夹
#加载模型，进行预测：
import paddlex as pdx
model = pdx.load_model('output/mobilenetv3_small/best_model')
result = model.predict('/home/aistudio/data/RockData/Coal/Coal271.jpg')
#设置预测结果为标题
plt.title(result[0]['category'])
#显示预测的图像
plt.imshow(cv2.imread('/home/aistudio/data/RockData/Coal/Coal271.jpg',1))
#打印预测的结果
print("Predict Result: ", result)

6. 可视化模型效果

点击AIstudio左侧工具栏倒数第五个：【数据模型可视化】
设置logdir为【!cat output/mobilenetv3_small/vdl_log/】
点击【启动VisualDL服务】

7. 总结

少年的心总是喜欢折腾的，要不然这个世界的历史就不会惊起波澜，后期打算自己组网实现这个任务，更深入了解AI训练过程中的点点滴滴，不过囿于现在的菜鸡本菜的水平，还是一步一步踏踏实实多多训练参数，多多看大佬们的项目来汲取养分，成长自己。

最重要的是，人真的是被逼出来的！不逼自己一把，你根本不会知道自己有多么厉害！

基于PaddleX的岩石识别相关推荐

基于PaddleX的化妆品识别
飞桨全流程开发工具-PaddleX PaddleX是飞桨全流程开发工具,集飞桨核心框架.模型库.工具及组件等深度学习开发所需全部能力于一身,打通从数据接入到推理部署的深度学习开发全流程,简化各环节串联 ...
基于PaddleX的智能零售柜商品识别
摘要在传统的零售柜中,实现自动识别的方法主要有:硬件分隔.根据重量判断.识别顾客的行为.射频识别标记等.本文基于深度学习在图像分类领域的优异性能,研究基于PaddleX的智能零售柜商品识别,相比于 ...
基于PaddleX实现的安全帽检测
安全帽检测基于PaddleX 2.0开发 1.项目说明在该项目中,主要向大家介绍如何使用目标检测来实现对安全帽的检测,涉及代码以及优化过程亦可用于其它目标检测任务等. 在施工现场,对于来往人员,以 ...
基于Python的验证码识别技术
基于Python的验证码识别技术作者:强哥概述前言准备工作识别原理图像处理切割图像人工标注训练数据检测结果搞笑一刻福利一刻推荐阅读前言很多网站登录都需要输入验证码,如果要 ...
基matlab的水果识别的应用,基于MATLAB的水果识别的数字图像处理
基于MATLAB的水果识别的数字图像处理图像处理 ( 报告 ) 题目基于 MATLAB 的水果识别的数字图像处理指导教师职称教授学生姓名学号专业院(系) 完成时间 2016 年 ...
python人脸识别毕业设计-Python基于Dlib的人脸识别系统的实现
之前已经介绍过人脸识别的基础概念,以及基于opencv的实现方式,今天,我们使用dlib来提取128维的人脸嵌入,并使用k临近值方法来实现人脸识别. 人脸识别系统的实现流程与之前是一样的,只是这里我们 ...
图像处理之基于NCC模板匹配识别
图像处理之基于NCC模板匹配识别一:基本原理 NCC是一种基于统计学计算两组样本数据相关性的算法,其取值范围为[-1, 1]之间,而对图像来说,每个像素点都可以看出是RGB数值,这样整幅图像就可以看 ...
基于matlab的人脸五官边缘检测方法,基于MATLAB的人脸识别系统的设计
基于MATLAB的人脸识别系统的设计(论文12000字,外文翻译,参考程序) 摘要:本文基于MATLAB平台设计了一款简单的人脸识别系统,通过USB摄像头来采集图像,经过肤色方法进行人脸检测与定位,然 ...
数字图像处理：基于MATLAB的车牌识别项目
学过了数字图像处理,就进行一个综合性强的小项目来巩固一下知识吧.前阵子编写调试了一套基于MATLAB的车牌识别的项目的代码.今天又重新改进了一下代码,识别的效果好一点了,也精简了一些代码.这里没有使用 ...
『森林火灾检测』基于PaddleX实现森林火灾检测
效果预览 B站链接 AIStudio链接项目背景 2019年3月30日17时 ,凉山州木里县境内发生森林火灾,30名扑火人员牺牲. 2020年3月30日15时35分,凉山州西昌市经久乡和安哈 ...

基于PaddleX的岩石识别