【深度学习--图像分类】imageAI自定义模型训练

无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。人工智能教程

10分钟了解下图像识别库imageAI，请看上篇文章。点这里

ImageAI 提供4种不同的算法及模型来执行自定义预测模型训练，通过以下简单几个步骤即可实现自定义预测模型训练。提供用于自定义预测模型训练的4种算法包括 SqueezeNet，ResNet，InceptionV3 和 DenseNet。您可以将其中一种算法加载到imageai.Prediction.Custom.CustomImagePrediction类中，这允许您在任何对象/人的图像集上训练您自己的模型。训练过程生成一个 JSON 文件，用于映射图像数据集和许多模型中的对象类型。然后，您就可以使用生成的 JSON 文进行高精度自定义图像预测。

安装imageAI 库，采用清华镜像源，python版本：3.6.9

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  imageAI

安装tensorflow_gpu，采用清华镜像源，python版本：3.6.9

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  tensorflow_gpu==1.14

要进行自定义预测模型训练，您需要准备要用于训练的图像。您需要按如下方式提供图像：

创建一个数据集文件夹并命名（如 pets）
在数据集文件中创建一个名称为 train 的子文件夹
在数据集文件中创建一个名称为 test 的子文件夹
在 train 文件夹中，为每个你要训练的对象创建文件夹并命名（如 dog，cat，squirrel，snake）
在 test 文件夹中，为每个你要训练的对象创建文件夹并命名（如 dog，cat，squirrel，snake）
把每个对象的图像放在 train 文件夹下对应名称的子文件夹，这些图像是用于训练模型的图像，为了训练出精准度较高的模型，我建议每个对象收集大约500张以上图像。
把每个对象用于测试的图像放在 test 文件夹下对应名称的子文件夹，为了训练出精准度较高的模型，我建议每个对象用于测试的图像在100~200张。用于训练模型时在这些图像中识别出要训练的对象。
按照上述步骤操作完成后，图像数据集文件夹的结构应如下所示：

pets >
train >> dog >>> dog_train_images>> cat >>> cat_train_images>> squirrel >>> squirrel_train_images>> snake >> snake_train_images
test  >> dog >>> dog_test_images>> cat >>> cat_test_images>> squirrel >>> squirrel_test_images>> snake >>> snake_test_images

训练代码：
resnet._train.py

from imageai.Prediction.Custom import ModelTraining
model_trainer = ModelTraining()
model_trainer.setModelTypeAsResNet()
model_trainer.setDataDirectory("./pets/")
model_trainer.trainModel(num_objects=4, num_experiments=100, enhance_data=True, batch_size=32, show_network_summary=True)

没错! 只需 5 行代码，就可以在您的数据集上使用所支持的4种深度学习算法来训练自定义模型。现在让我们来看看上面的代码是如何工作的：

from imageai.Prediction.Custom import ModelTraining

model_trainer = ModelTraining()
model_trainer.setModelTypeAsResNet()
model_trainer.setDataDirectory(“pets”)

在上面的代码中，第一行导入 ImageAI 的ModelTraining类，第二行创建了ModelTraining类的新实例，第三行将模型类型设置为ResNet，第四行设置我们想要训练的数据集的路径。

model_trainer.trainModel(num_objects=4, num_experiments=100, enhance_data=True, batch_size=32, show_network_summary=True)

在上面的代码中，我们开始了模型训练，参数如下：

num_objects：该参数用于指定图像数据集中对象的数量
num_experiments：该参数用于指定将对图像训练的次数，也称为epochs
enhance_data（可选）：该参数用于指定是否生成训练图像的副本以获得更好的性能。
batch_size：该参数用于指定批次数量。由于内存限制，需要分批训练，直到所有批次训练集都完成为止。
show_network_summary：该参数用于指定是否在控制台中显示训练的过程。

【深度学习--图像分类】imageAI自定义模型训练相关推荐

【深度学习】Tensorboard可视化模型训练过程和Colab使用
[深度学习]Tensorboard可视化模型训练过程和Colab使用文章目录 1 概述 2 手撸代码实现 3 Colab使用3.1 详细步骤3.2 Demo 4 总结 1 概述在利用TensorF ...
腾讯优图吴永坚：迈向深度学习，我们面临模型训练与推荐的双重考验
整理 | 琥珀出品 | AI 科技大本营对腾讯优图的发展历程,吴永坚表示,优图是非常幸运的,幸运的同时也知道优图选对了方向,只要坚持,还是会有收获的. 12 月 15 日,以"新趋势.新 ...
Colab下Imageai自定义模型训练和目标检测
本文运行再colab环境下目录本文运行再colab环境下 1.准备 a.库的安装 b.colab环境的准备 2.模型的训练 a.准备数据集 b.训练 3.通过模型进行目标检测 4.注意: 1.准备 ...
pytorch 训练过程acc_深度学习Pytorch实现分类模型
今天将介绍深度学习中的分类模型,以下主要介绍Softmax的基本概念.神经网络模型.交叉熵损失函数.准确率以及Pytorch实现图像分类.01Softmax基本概念在分类问题中,通常标签都为类别,可 ...
【深度学习】——利用pytorch搭建一个完整的深度学习项目（构建模型、加载数据集、参数配置、训练、模型保存、预测）
目录一.深度学习项目的基本构成二.实战(猫狗分类) 1.数据集下载 2.dataset.py文件 3.model.py 4.config.py 5.predict.py 一.深度学习项目的基本构成 ...
深度学习图像分类（六）：Stochastic_Depth_Net
深度学习图像分类(六):Stochastic_Depth_Net 文章目录深度学习图像分类(六):Stochastic_Depth_Net 前言一.Motivation 二.核心结构:Drop P ...
深度学习图像分类_深度学习时代您应该阅读的10篇文章了解图像分类
深度学习图像分类前言 (Foreword) Computer vision is a subject to convert images and videos into machine-under ...
人工智能发展到GPT4经历了什么，从专家系统到机器学习再到深度学习，从大模型到现在的GPT4
大家好,我是微学AI,今天给大家讲一下人工智能的发展,从专家系统到机器学习再到深度学习,从大模型到现在的GPT4,讲这个的目的是让每个人都懂得人工智能,每个人都懂得人工智能的发展,未来人工智能是大方向 ...
深度学习之“制作自定义数据”--torch.utils.data.DataLoader重写构造方法。
深度学习之"制作自定义数据"–torch.utils.data.DataLoader重写构造方法. 前言: 本文讲述重写torch.utils.data.DataLoader类 ...
PyTorch深度学习图像分类--猫狗大战
PyTorch深度学习图像分类--猫狗大战 1.背景介绍 2.环境配置 2.1软硬件清单 2.1.1配置PyPorch 2.1.2开发软件 2.1.3 显卡 2.2 数据准备 3 基础理论 3.1Py ...

【深度学习--图像分类】imageAI自定义模型训练

【深度学习--图像分类】imageAI自定义模型训练相关推荐

最新文章

热门文章