MicroNet实战：使用MicroNet实现图像分类

海滨公园

 关注

阅读 26

2022-06-10

MicroNet实战

摘要

本文通过对植物幼苗分类的实际例子来感受一下MicroNet模型的效果。模型来自官方，我自己写了train和test部分。从得分情况来看，这个模型非常的优秀，我选择用的MicroNet-M3模型，大小仅有6M，但是ACC在95%左右，成绩非常惊艳！！！

在这里插入图片描述

这篇文章从实战的角度手把手带领大家完成训练和测试。通过这篇文章能让你学到：

  1. 如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？
  2. 如何配置MicroNet模型实现训练？
  3. 如何使用pytorch自带混合精度？
  4. 如何使用梯度裁剪防止梯度爆炸？
  5. 如何使用DP多显卡训练？
  6. 如何绘制loss和acc曲线？
  7. 如何生成val的测评报告？
  8. 如何编写测试脚本测试测试集？
  9. 如何使用余弦退火策略调整学习率？
  10. 如何使用AverageMeter类统计ACC和loss等自定义变量？
  11. 如何理解和统计ACC1和ACC5？

安装包

1、安装timm

使用pip就行，命令：

pip install timm

2、安装yacs

pip install yacs

yacs的作者大名鼎鼎的Ross Girshick，faster-rcnn的作者。github地址：https://github.com/rbgirshick/yacs
yacs是一个轻量级用于定义和管理系统配置的开源库，是科学实验软件中常用的参数配置。在机器学习、深度学习模型训练过程中的超参数配置（卷积神经网络的深度，初始学习率等）。科学实验的重现性至关重要，因此，需要记录实验过程中的参数设置，以达到后期进行实验的重现。yacs使用一种简单的，可读的yaml格式。

数据增强Cutout和Mixup

为了提高成绩我在代码中加入Cutout和Mixup这两种增强方式。实现这两种增强需要安装torchtoolbox。安装命令：

pip install torchtoolbox

Cutout实现，在transforms中。

from torchtoolbox.transform import Cutout
# 数据预处理
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    Cutout(),
    transforms.ToTensor(),
    transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])

])

需要导入包：from timm.data.mixup import Mixup，

定义Mixup，和SoftTargetCrossEntropy

  mixup_fn = Mixup(
    mixup_alpha=0.8, cutmix_alpha=1.0, cutmix_minmax=None,
    prob=0.1, switch_prob=0.5, mode='batch',
    label_smoothing=0.1, num_classes=12)
 criterion_train = SoftTargetCrossEntropy()

参数详解：

项目结构

ConvMAE_demo
├─data
│  ├─Black-grass
│  ├─Charlock
│  ├─Cleavers
│  ├─Common Chickweed
│  ├─Common wheat
│  ├─Fat Hen
│  ├─Loose Silky-bent
│  ├─Maize
│  ├─Scentless Mayweed
│  ├─Shepherds Purse
│  ├─Small-flowered Cranesbill
│  └─Sugar beet
├─models
│  ├─__init__.py
│  ├─micronet.py
│  ├─activation.py
│  └─microconfig.py
├─utils
│  ├─__init__.py
│  └─defaults.py
├─checkpoint.pth
├─mean_std.py
├─makedata.py
├─train.py
└─test.py

mean_std.py：计算mean和std的值。

makedata.py：生成数据集。

models文件夹下的micronet.py、activation.py和microconfig.py:来自官方的pytorch版本的代码。
- micronet.py：网络文件。
- activation.py：激活函数文件，定义了DYShiftMax激活函数。
- microconfig.py：网络配置参数。定义了m0到m3网络的参数。
utils文件夹下的defaults.py定义了cfg的参数，这些参数是m0到m3网络的设置参数。
详细的参数设置如下：
M0：

MODEL.MICRONETS.BLOCK="DYMicroBlock"                                            
MODEL.MICRONETS.NET_CONFIG="msnx_dy6_exp4_4M_221" 
MODEL.MICRONETS.STEM_CH=4 
MODEL.MICRONETS.STEM_GROUPS=[2,2] 
MODEL.MICRONETS.STEM_DILATION=1 
MODEL.MICRONETS.STEM_MODE="spatialsepsf" 
MODEL.MICRONETS.OUT_CH=640 
MODEL.MICRONETS.DEPTHSEP=True 
MODEL.MICRONETS.POINTWISE='group' 
MODEL.MICRONETS.DROPOUT=0.05 
MODEL.ACTIVATION.MODULE="DYShiftMax" 
MODEL.ACTIVATION.ACT_MAX=2.0 
MODEL.ACTIVATION.LINEARSE_BIAS=False 
MODEL.ACTIVATION.INIT_A_BLOCK3=[1.0,0.0] 
MODEL.ACTIVATION.INIT_A=[1.0,1.0] 
MODEL.ACTIVATION.INIT_B=[0.0,0.0] 
MODEL.ACTIVATION.REDUCTION=8 
MODEL.MICRONETS.SHUFFLE=True

M1:

MODEL.MICRONETS.BLOCK="DYMicroBlock"                                            
MODEL.MICRONETS.NET_CONFIG="msnx_dy6_exp6_6M_221" 
MODEL.MICRONETS.STEM_CH=6 
MODEL.MICRONETS.STEM_GROUPS=[3,2] 
MODEL.MICRONETS.STEM_DILATION=1 
MODEL.MICRONETS.STEM_MODE="spatialsepsf" 
MODEL.MICRONETS.OUT_CH=960
MODEL.MICRONETS.DEPTHSEP=True 
MODEL.MICRONETS.POINTWISE='group' 
MODEL.MICRONETS.DROPOUT=0.05 
MODEL.ACTIVATION.MODULE="DYShiftMax" 
MODEL.ACTIVATION.ACT_MAX=2.0 
MODEL.ACTIVATION.LINEARSE_BIAS=False 
MODEL.ACTIVATION.INIT_A_BLOCK3=[1.0,0.0] 
MODEL.ACTIVATION.INIT_A=[1.0,1.0] 
MODEL.ACTIVATION.INIT_B=[0.0,0.0] 
MODEL.ACTIVATION.REDUCTION=8 
MODEL.MICRONETS.SHUFFLE=True

M2:

MODEL.MICRONETS.BLOCK="DYMicroBlock"                                            
MODEL.MICRONETS.NET_CONFIG="msnx_dy9_exp6_12M_221" 
MODEL.MICRONETS.STEM_CH=8 
MODEL.MICRONETS.STEM_GROUPS=[4,2] 
MODEL.MICRONETS.STEM_DILATION=1 
MODEL.MICRONETS.STEM_MODE="spatialsepsf" 
MODEL.MICRONETS.OUT_CH=1024
MODEL.MICRONETS.DEPTHSEP=True 
MODEL.MICRONETS.POINTWISE='group' 
MODEL.MICRONETS.DROPOUT=0.1 
MODEL.ACTIVATION.MODULE="DYShiftMax" 
MODEL.ACTIVATION.ACT_MAX=2.0 
MODEL.ACTIVATION.LINEARSE_BIAS=False 
MODEL.ACTIVATION.INIT_A_BLOCK3=[1.0,0.0] 
MODEL.ACTIVATION.INIT_A=[1.0,1.0] 
MODEL.ACTIVATION.INIT_B=[0.0,0.0] 
MODEL.ACTIVATION.REDUCTION=8 
MODEL.MICRONETS.SHUFFLE=True

M3:

MODEL.MICRONETS.BLOCK="DYMicroBlock"                                            
MODEL.MICRONETS.NET_CONFIG="msnx_dy12_exp6_20M_020" 
MODEL.MICRONETS.STEM_CH=12
MODEL.MICRONETS.STEM_GROUPS=[4,3] 
MODEL.MICRONETS.STEM_DILATION=1 
MODEL.MICRONETS.STEM_MODE="spatialsepsf" 
MODEL.MICRONETS.OUT_CH=1024
MODEL.MICRONETS.DEPTHSEP=True 
MODEL.MICRONETS.POINTWISE='group' 
MODEL.MICRONETS.DROPOUT=0.1 
MODEL.ACTIVATION.MODULE="DYShiftMax" 
MODEL.ACTIVATION.ACT_MAX=2.0 
MODEL.ACTIVATION.LINEARSE_BIAS=False 
MODEL.ACTIVATION.INIT_A_BLOCK3=[1.0,0.0] 
MODEL.ACTIVATION.INIT_A=[1.0,0.5] 
MODEL.ACTIVATION.INIT_B=[0.0,0.5] 
MODEL.ACTIVATION.REDUCTION=8 
MODEL.MICRONETS.SHUFFLE=True

为了能在DP方式中使用混合精度，还需要在模型的forward函数前增加@autocast().
在这里插入图片描述

计算mean和std

为了使模型更加快速的收敛，我们需要计算出mean和std的值，新建mean_std.py,插入代码：

from torchvision.datasets import ImageFolder
import torch
from torchvision import transforms

def get_mean_and_std(train_data):
    train_loader = torch.utils.data.DataLoader(
        train_data, batch_size=1, shuffle=False, num_workers=0,
        pin_memory=True)
    mean = torch.zeros(3)
    std = torch.zeros(3)
    for X, _ in train_loader:
        for d in range(3):
            mean[d] += X[:, d, :, :].mean()
            std[d] += X[:, d, :, :].std()
    mean.div_(len(train_data))
    std.div_(len(train_data))
    return list(mean.numpy()), list(std.numpy())

if __name__ == '__main__':
    train_dataset = ImageFolder(root=r'data1', transform=transforms.ToTensor())
    print(get_mean_and_std(train_dataset))

数据集结构：

image-20220221153058619

运行结果：

([0.3281186, 0.28937867, 0.20702125], [0.09407319, 0.09732835, 0.106712654])

把这个结果记录下来，后面要用！

生成数据集

我们整理还的图像分类的数据集结构是这样的

data
├─Black-grass
├─Charlock
├─Cleavers
├─Common Chickweed
├─Common wheat
├─Fat Hen
├─Loose Silky-bent
├─Maize
├─Scentless Mayweed
├─Shepherds Purse
├─Small-flowered Cranesbill
└─Sugar beet

pytorch和keras默认加载方式是ImageNet数据集格式，格式是

├─data
│  ├─val
│  │   ├─Black-grass
│  │   ├─Charlock
│  │   ├─Cleavers
│  │   ├─Common Chickweed
│  │   ├─Common wheat
│  │   ├─Fat Hen
│  │   ├─Loose Silky-bent
│  │   ├─Maize
│  │   ├─Scentless Mayweed
│  │   ├─Shepherds Purse
│  │   ├─Small-flowered Cranesbill
│  │   └─Sugar beet
│  └─train
│      ├─Black-grass
│      ├─Charlock
│      ├─Cleavers
│      ├─Common Chickweed
│      ├─Common wheat
│      ├─Fat Hen
│      ├─Loose Silky-bent
│      ├─Maize
│      ├─Scentless Mayweed
│      ├─Shepherds Purse
│      ├─Small-flowered Cranesbill
│      └─Sugar beet

新增格式转化脚本makedata.py,插入代码：

import glob
import os
import shutil

image_list=glob.glob('data1/*/*.png')
print(image_list)
file_dir='data'
if os.path.exists(file_dir):
    print('true')
    #os.rmdir(file_dir)
    shutil.rmtree(file_dir)#删除再建立
    os.makedirs(file_dir)
else:
    os.makedirs(file_dir)

from sklearn.model_selection import train_test_split
trainval_files, val_files = train_test_split(image_list, test_size=0.3, random_state=42)
train_dir='train'
val_dir='val'
train_root=os.path.join(file_dir,train_dir)
val_root=os.path.join(file_dir,val_dir)
for file in trainval_files:
    file_class=file.replace("\\","/").split('/')[-2]
    file_name=file.replace("\\","/").split('/')[-1]
    file_class=os.path.join(train_root,file_class)
    if not os.path.isdir(file_class):
        os.makedirs(file_class)
    shutil.copy(file, file_class + '/' + file_name)

for file in val_files:
    file_class=file.replace("\\","/").split('/')[-2]
    file_name=file.replace("\\","/").split('/')[-1]
    file_class=os.path.join(val_root,file_class)
    if not os.path.isdir(file_class):
        os.makedirs(file_class)
    shutil.copy(file, file_class + '/' + file_name)

完成上面的内容就可以开启训练和测试了，详见下面的链接：

相关推荐

MobileVIT实战：使用MobileVIT实现图像分类

elvinyang 80 0 0

RepVgg实战：使用RepVgg实现图像分类（一）

敬亭阁主 38 0 0

VanillaNet实战：使用VanillaNet实现图像分类（二）

以沫的窝 83 0 0

SeaFormer实战：使用SeaFormer实现图像分类任务（二）

以沫的窝 74 0 0

Vim实战：使用 Vim实现图像分类任务（二）

ZMXQQ233 13 0 0

RevCol实战：使用RevCol实现图像分类任务（二）

鲤鱼打个滚 46 0 0

TensorFlow Lite图像分类实战

司马吹风 179 0 0

深度学习实战（二）：AlexNet实现花图像分类

残北 65 0 0

手把手教你使用LabVIEW TensorRT实现图像分类实战（含源码）

云上笔记 90 0 0

深入门深度学习：使用TensorFlow进行图像分类实战

上古神龙 35 0 0

精彩评论（0）

0 0 举报