使用pytorch进行深度学习网络模型训练，实现车型识别

简介

通过深度学习技术搭建残差网络，使用 CompsCars数据集进行车型识别模型的训练，并将训练好的模型移植到了Android端，实现了通过手机扫一扫的方式进行汽车车型识别的功能。

项目涉及到的技术点较多，需要开发者有一定的技术功底。如：python语言的使用、深度学习框架pytorch的使用、爬虫脚本的理解、Java语言的使用、Android平台架构的理解等等。

虽然属于跨语言开发，但是要求并不高，只要达到入门级别即可看懂本项目，并可以尝试一些定制化的改造。毕竟框架已经搭建好了，只需要修改数据源、重新训练出模型，就可以实现一款新的应用啦。

模型训练精度

以下是使用Resnet-34进行400次车型识别训练的 train-validation图表。

以下是使用Resnet-34进行400次车型识别训练 Top-1的错误率。

以下是使用Resnet-34进行400次车型识别训练 Top-5的错误率。

扫一扫识别功能

以下是移植到android平台后进行识别的结果展示图。

使用的技术&框架

开发语言：Python、Java
技术框架：pytorch、resnet-34、Android平台
可选借助平台：百度AI平台
项目构成：模型训练项目、爬虫项目、APP开发项目

软/硬件需求

机器要求

因为涉及到机器学习模型训练，所以你应该拥有一台用来训练模型的机器，且需要搭载支持CUDA的GPU（如：GeForce、GTX、Tesla等），显存大小，自然是越大越好。

本人项目环境：

windows10 专业版；GeForce MAX150；独显 2G；1T硬盘

也就是说这是最低配了，你至少要和我同一配置。

开发工具

Pycharm：用来训练模型、pyhton爬虫、模型移植脚本
Android Studio：用来开发安卓APP

数据集

数据集是项目最重要的一部分，有了数据集才能开始训练

本项目使用的是

训练模型主要分为五个模块：启动器、自定义数据加载器、网络模型、学习率/损失率调整以及训练可视化。

启动器是项目的入口，通过对启动器参数的设置，可以进行很多灵活的启动方式，下图为部分启动器参数设置。

任何一个深度学习的模型训练都是离不开数据集的，根据多种多样的数据集，我们应该使用一个方式将数据集用一种通用的结构返回，方便网络模型的加载处理。

这里使用了残差网络Resnet-34，代码中还提供了Resnet-18、Resnet-50、Resnet-101以及Resnet-152。残差结构是通过一个快捷连接，极大的减少了参数数量，降低了内存使用。

以下为残差网络的基本结构和Resnet-34 部分网络结构图。

除了最开始看到的train-val图表、Top-、Top-5的error记录表以外，在训练过程中，使用进度条打印当前训练的进度、训练精度等信息。打印时机可以通过上边提到的启动器优雅地配置。

以下为最终的项目包架构。

pytorch_train
|-- data -- 存放读取训练、校验、测试数据路径的txt
| |-- train.txt
| |-- val.txt
| |-- test.txt
|-- result -- 存放最终生成训练结果的目录
|-- util -- 模型移植工具
|-- clr.py -- 学习率
|-- dataset.py -- 自定义数据集
|-- flops_benchmark.py -- 统计每秒浮点运算次数
|-- logger.py -- 日志可视化
|-- mobile_net.py -- 网络模型之一 mobile_net2
|-- resnet.py -- 网络模型之一 Resnet系列
|-- run.py -- 具体执行训练、测试方法
|-- start.py -- 启动器

使用pytorch进行深度学习网络模型训练，实现车型识别相关推荐

【毕业设计_课程设计】基于深度学习网络模型训练的车型识别系统
文章目录 0 项目说明 1 简介 2 模型训练精度 3 扫一扫识别功能 4 技术栈 5 模型训练 6 最后 0 项目说明基于深度学习网络模型训练的车型识别系统提示:适合用于课程设计或毕业设计,工作 ...
[Github项目]基于PyTorch的深度学习网络模型实现
2019 年第 48 篇文章,总第 72 篇文章本文大约 1500 字,阅读大约需要 4 分钟今天主要分享两份 Github 项目,都是采用 PyTorch 来实现深度学习网络模型,主要是一些常用 ...
[深度学习] - 网络模型训练过程的 loss 变化分析 (loss / val_loss / test_loss)
目录一.train set 和 test set 基础知识二.分析 loss 和 val_loss (test_loss) 变化情况一.train set 和 test set 基础知识 tra ...
深度学习网络模型训练中loss为nans的总结
在网络训练中经常出现loss为nans的情况. 主要原因有如下: 梯度爆炸原因:巨大的梯度值使model的学习过程off-track. 检测方法:查看运行时日志,您应该查看每个迭代的损失值.您会注意 ...
深度学习网络模型训练过程中的Loss问题合集
把数据集随机分为训练集,验证集和测试集,然后用训练集训练模型,用验证集验证模型,根据情况不断调整模型,选择出其中最好的模型,再用训练集和验证集数据训练出一个最终的模型,最后用测试集评估最终的模型训练 ...
深度学习100问之提高深度学习模型训练效果（调参经验）
声明 1)本文仅供学术交流,非商用.所以每一部分具体的参考资料并没有详细对应.如果某部分不小心侵犯了大家的利益,还望海涵,并联系博主删除. 2)博主才疏学浅,文中如有不当之处,请各位指出,共同进步,谢 ...
深度学习网络模型——RepVGG网络详解、RepVGG网络训练花分类数据集整体项目实现
深度学习网络模型--RepVGG网络详解.RepVGG网络训练花分类数据集整体项目实现 0 前言 1 RepVGG Block详解 2 结构重参数化 2.1 融合Conv2d和BN 2.2 Conv2 ...
GPU信息查看以及确认Pytorch使用了GPU计算模块进行深度学习的训练
GPU信息查看以及确认Pytorch使用了GPU计算模块进行深度学习的训练目录 GPU信息查看以及确认Pytorch使用了GPU计算模块进行深度学习的训练 GPU基础信息查看 Pytorch是否使用 ...
收藏 | PyTorch深度学习模型训练加速指南2021
点上方蓝字计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散仅作学术分享,不代表本公众号立场,侵权联系删除转载于:作者:LORENZ KUHN 编译:ronghuaiyang ...

使用pytorch进行深度学习网络模型训练，实现车型识别

使用pytorch进行深度学习网络模型训练，实现车型识别相关推荐

最新文章

热门文章