tta部署_GitHub - stducc/pytorch_classification: 利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，sv...
pytorch_classification
利用pytorch实现图像分类，其中包含的densenet，resnext，mobilenet，efficientnet, resnet等图像分类网络，可以根据需要再行利用torchvision扩展其他的分类算法
实现功能
基础功能利用pytorch实现图像分类
包含带有warmup的cosine学习率调整
warmup的step学习率优调整
多模型融合预测，加权与投票融合
利用flask实现模型云端api部署
使用tta测试时增强进行预测
添加label smooth的pytorch实现(标签平滑)
添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类。
更新添加了模型蒸馏的的训练方法
添加中间层可视化
更新模型部署(采用flask+Redis的方法)
c++ libtorch进行模型部署的简单demo
运行环境
python3.7
pytorch 1.1
torchvision 0.3.0
代码仓库的使用
数据集形式
原始数据集存储形式为，同个类别的图像存储在同一个文件夹下，所有类别的图像存储在一个主文件夹data下。
|-- data
|-- train
|--label1
|--*.jpg
|--label2
|--*.jpg
|--label
|--*.jpg
...
|-- val
|--*.jpg
利用preprocess.py将数据集格式进行转换(个人习惯这种数据集的方式)
python ./data/preprocess.py
转换后的数据集为，将训练集的路径与类别存储在train.txt文件中，测试机存储在val.txt中.
其中txt文件中的内容为
# train.txt
/home/xxx/data/train/label1/*.jpg label
# val.txt
/home/xxx/data/train/label1/*.jpg
|-- data
|-- train
|--label1
|--*.jpg
|--label2
|--*.jpg
|--label
|--*.jpg
...
|-- val
|--*.jpg
|--train.txt
|--val.txt
模型介绍
仓库中模型densenet，mobilenet,resnext模型来自于torchvision
训练
在cfg.py中修改合适的参数，并在train.py中选择合适的模型
##数据集的类别
NUM_CLASSES = 206
#训练时batch的大小
BATCH_SIZE = 32
#网络默认输入图像的大小
INPUT_SIZE = 300
#训练最多的epoch
MAX_EPOCH = 100
# 使用gpu的数目
GPUS = 2
# 从第几个epoch开始resume训练，如果为0，从头开始
RESUME_EPOCH = 0
WEIGHT_DECAY = 5e-4
MOMENTUM = 0.9
# 初始学习率
LR = 1e-3
# 训练好模型的保存位置
SAVE_FOLDER = './weights'
# 采用的模型名称
model_name = 'resnext101_32x32d'
python train.py
预测
在cfg.py中TRAINED_MODEL参数修改为指定的权重文件存储位置,在predict文件中可以选定是否使用tta
python predict.py
当训练完成多模型之后生成多个txt文件之后，利用ensamble文件夹中的kaggle_vote.py进行投票融合或者加权投票融合。
将每个模型生成的csv文件，移动到ensamble/samples/然后将每个文件命名为method1.py,method2.py.
然后运行如下命令进行投票融合
python ./kaggle_vote.py "./samples/method*.csv" "./samples/vote.csv"
cnn + svm
代码存在于cnn_ml.py中, 利用训练好的cnn特征提取器，将得到的特征保存为pkl文件，然后训练svm分类器， 并将分类器模型保存，然后读取预测
主要需要修改的就是根据不同模型的输出特征向量的大小在cnn_ml.py中修改NB_features对应的大小
flask云端部署
将训练存储好的权重文件，存储在flask_deployment文件夹中
然后修改server.py中路径运行即可
利用client.py进行调用