前言

网上关于VGG模型的文章有很多，有介绍算法本身的，也有代码实现，但是很多代码只给出了模型的结构实现，并不包含数据准备的部分，这让人很难愉快的将代码迁移自己的任务中。为此，这篇博客接下来围绕着如何使用VGG实现自己的图像分类任务，从数据准备到实验验证。代码基于Python与TensorFlow实现，模型结构采用VGG-16，并且将很少的出现算法和理论相关的东西。

数据准备

下载数据和转换代码

大多数人自己的训练数据，一般都是传统的图片形式，如.jpg，.png等等，而图像分类任务的话，这些图片的天然组织形式就是一个类别放在一个文件夹里，那么有啥大众化的数据集是这样的组织形式呢？TensorFlow的FlowersData，它下载下来是这个样子：

一共有五类，每一类中都有几百张图，我们把这些数据组织成TFrecord形式，对应的博客在这里，源码的github在这里，FlowersData数据集在这里。
有上面这三个东西之后，就可以生成TFrecord文件了。

组织图片数据

首先将FlowersData文件夹下的数据分成两个部分，训练数据和测试数据，我把原文件五个类别中都拿出大概100张图左右，数据的构成和路径如下：

生成训练TFrecord

#图片路径
cwd = 'F:\\flowersdata\\trainimages\\'

#文件路径
filepath = 'F:\\flowersdata\\tfrecord\\train\\'

classes=['daisy','dandelion','roses','sunflowers','tulips']

#tfrecords格式文件名
ftrecordfilename = ("traindata.tfrecords-%.3d" % recordfilenum)

#tfrecords格式文件名
ftrecordfilename = ("traindata.tfrecords-%.3d" % recordfilenum)

生成效果：

生成预测TFrecord

#图片路径
cwd = 'F:\\flowersdata\\testimages\\'

#文件路径
filepath = 'F:\\flowersdata\\tfrecord\\test\\'

classes=['daisy','dandelion','roses','sunflowers','tulips']

#tfrecords格式文件名
ftrecordfilename = ("testdata.tfrecords-%.3d" % recordfilenum)

#tfrecords格式文件名
ftrecordfilename = ("testdata.tfrecords-%.3d" % recordfilenum)

生成效果：

训练模型

初始权重与源码下载

VGG-16的初始权重我上传到了百度云，在这里下载；
VGG-16源码我上传到了github，在这里下载；

在源码中：
train_and_val.py文件是最终要执行的文件，它定了训练和预测的过程；
input_data.py是将上一步中生成的TFRecord文件组织成batch的过程；
VGG.py定义了VGG-16的网络结构；
tool.py是最底层，定义了一些卷积池化等操作。

训练模型

train_and_val.py文件修改：

if __name__=="__main__":train()#evaluate()

根据自己的路径修改：

#初始权重路径
pre_trained_weights = 'vgg16_pretrain/vgg16.npy'
#训练数据路径
train_data_dir = 'F:\\flowersdata\\tfrecord\\train\\traindata.tfrecords*'test_data_dir =
#预测数据路径
'F:\\flowersdata\\tfrecord\\test\\testdata.tfrecords*'
#训练生成文件路径
train_log_dir = 'logs/train/'
#预测生成文件路径
val_log_dir = 'logs/val/'

根据自己的显存容量修改：

IMG_W = 224
IMG_H = 224
BATCH_SIZE = 8

训练过程每50个step打印loss；
每200个step计算一个batch中的准确率；
每1000个step保存一次权重。

预测

train_and_val.py文件修改：

if __name__=="__main__":#train()evaluate()

#训练过程中生成的权重
log_dir = 'logs/train/'
#预测数据集路径
test_data_dir = 'F:\\flowersdata\\tfrecord\\test\\testdata.tfrecords*'
#用于生成tf文件的图片数量
n_test = 502

打印测试样本总数；
打印正确预测的样本总数；
打印top_1。

使用VGG模型自定义图像分类任务相关推荐

【MatConvnet速成】MatConvnet图像分类从模型自定义到测试
欢迎来到专栏<2小时玩转开源框架系列>,这是我们第10篇,前面已经说过了caffe,tensorflow,pytorch,mxnet,keras,paddlepaddle,cntk,cha ...
【darknet速成】Darknet图像分类从模型自定义到测试
欢迎来到专栏<2小时玩转开源框架系列>,这是我们第12篇文章,前面已经说过了caffe,tensorflow,pytorch,mxnet,keras,paddlepaddle,cntk,c ...
【DL4J速成】Deeplearning4j图像分类从模型自定义到测试
文章首发于微信公众号<有三AI> [DL4J速成]Deeplearning4j图像分类从模型自定义到测试欢迎来到专栏<2小时玩转开源框架系列>,这是我们第九篇,前面已经说过了 ...
【chainer速成】chainer图像分类从模型自定义到测试
文章首发于微信公众号<有三AI> [chainer速成]chainer图像分类从模型自定义到测试欢迎来到专栏<2小时玩转开源框架系列>,这是我们第八篇,前面已经说过了caff ...
【cntk速成】cntk图像分类从模型自定义到测试
文章首发于微信公众号<有三AI> [cntk速成]cntk图像分类从模型自定义到测试欢迎来到专栏<2小时玩转开源框架系列>,这是我们第七篇,前面已经说过了caffe,tens ...
【paddlepaddle速成】paddlepaddle图像分类从模型自定义到测试
文章首发于微信公众号<与有三学AI> [paddlepaddle速成]paddlepaddle图像分类从模型自定义到测试这是给大家准备的paddlepaddle与visualdl速成例子 ...
【pytorch速成】Pytorch图像分类从模型自定义到测试
文章首发于微信公众号<与有三学AI> [pytorch速成]Pytorch图像分类从模型自定义到测试前面已跟大家介绍了Caffe和TensorFlow,链接如下. [caffe速成]ca ...
【mxnet速成】mxnet图像分类从模型自定义到测试
文章首发于微信公众号<与有三学AI> [mxnet速成]mxnet图像分类从模型自定义到测试这是给大家准备的mxnet速成例子这一次我们讲讲mxnet,相关的代码.数据都在我们 Git ...
【Keras速成】Keras图像分类从模型自定义到测试
文章首发于微信公众号<与有三学AI> [Keras速成]Keras图像分类从模型自定义到测试这是给大家准备的Keras速成例子这一次我们讲讲keras这个简单.流行的深度学习框架,一个 ...

使用VGG模型自定义图像分类任务

前言

数据准备

下载数据和转换代码

组织图片数据

生成训练TFrecord

生成效果：

生成预测TFrecord

训练模型

初始权重与源码下载

训练模型

预测

使用VGG模型自定义图像分类任务相关推荐

最新文章

热门文章

使用VGG模型自定义图像分类任务

前言

数据准备

下载数据和转换代码

组织图片数据

生成训练TFrecord

生成效果： 生成预测TFrecord

训练模型

初始权重与源码下载

训练模型

预测

使用VGG模型自定义图像分类任务相关推荐

最新文章

热门文章

生成效果：

生成预测TFrecord