基于卷积神经网络的生活垃圾识别系统，resnet50，alexnet, shufflenet模型【pytorch框架+python源码】
·
更多目标检测、图像分类识别、目标检测与追踪等项目可看我主页其他文章
功能演示 (看 shi pin 简介)：
（一）简介
基于卷积神经网络的生活垃圾识别系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，ui界面和各种模型指标图表等。
该项目有3个可选模型：resnet50，alexnet, shufflenet，3个模型都在项目中；GUI界面由tkinter设计和实现。此项目可在windowns、linux(ubuntu, centos)、mac系统下运行。
该项目是在pycharm和anaconda搭建的虚拟环境执行，pycharm和anaconda安装和配置可观看教程：
windows保姆级的pycharm+anaconda搭建python虚拟环境_windows启动python虚拟环境-CSDN博客
在Linux系统(Ubuntn, Centos)用pycharm+anaconda搭建python虚拟环境_linux pycharm-CSDN博客
（二）项目介绍
1. 项目结构
该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单
以训练shufflenet模型为例：
第一步：修改config.yaml文件中的数据集路径，模型名称、模型训练的轮数等
第二步：模型训练，即运行train.py文件
第三步：模型测试，即运行test.py文件
第四步：使用模型，即运行gui.py文件即可通过GUI界面来展示模型效果
2. 数据结构
部分数据展示：
3.GUI界面（技术栈：tkinter+python）
4.模型训练和验证的一些指标及效果
1）模型训练和验证的准确率曲线，损失曲线
2）分类混淆矩阵
3）准确率、精确率、召回率、F1值
4）模型训练和验证记录
（三）代码
由于篇幅有限，只展示核心代码
def main(self, epochs):
# 记录训练过程
log_file_name = './results/resnet50训练和验证过程.txt'
# 记录正常的 print 信息
sys.stdout = Logger(log_file_name)
# print("using {} device.".format(self.device))
# 开始训练，记录开始时间
begin_time = time()
# 加载数据
train_loader, validate_loader, class_names, train_num, val_num = self.data_load()
print("class_names: ", class_names)
train_steps = len(train_loader) # 训练集批次数量
val_steps = len(validate_loader) # 验证集批次数量
# 加载模型
model = self.model_load() # 创建模型
# 网络结构可视化
x = torch.randn(16, 3, 224, 224) # 随机生成一个输入
model_visual_path = 'results/resnet50_visual.onnx' # 模型结构保存路径
torch.onnx.export(model, x, model_visual_path) # 将 pytorch 模型以 onnx 格式导出并保存
# netron.start(model_visual_path) # 浏览器会自动打开网络结构
# load pretrain weights
model_weight_path = "models/resnet50-pre.pth" # 预训练模型权重路径
assert os.path.exists(model_weight_path), "file {} does not exist.".format(model_weight_path) # 权重文件是否存在
model.load_state_dict(torch.load(model_weight_path, map_location='cpu')) # 加载预训练模型权重
# change fc layer structure
in_channel = model.fc.in_features # 获取fc层输入通道数
model.fc = nn.Linear(in_channel, len(class_names)) # 修改fc层结构
# 将模型放入GPU中或者CPU中
model.to(self.device)
# 定义损失函数，这里采用交叉熵损失函数
loss_function = nn.CrossEntropyLoss()
# 定义优化器
params = [p for p in model.parameters() if p.requires_grad] # 过滤不需要梯度更新的参数
optimizer = optim.Adam(params=params, lr=0.0001) # 优化器，这里采用Adam优化器，初始学习率为0.0001
train_loss_history, train_acc_history = [], [] # 记录训练过程的损失和准确率
test_loss_history, test_acc_history = [], [] # 记录验证过程的损失和准确率
best_acc = 0.0 # 记录最佳准确率
for epoch in range(0, epochs): # 训练epochs次
# 下面是模型训练
model.train() # 启用 BatchNormalization 和 Dropout
running_loss = 0.0
train_acc = 0.0
train_bar = tqdm(train_loader, file=sys.stdout) # 进度条
# 进来一个batch的数据，计算一次梯度，更新一次网络
for step, data in enumerate(train_bar): # 遍历训练集数据
images, labels = data # 获取图像及对应的真实标签
optimizer.zero_grad() # 清空过往梯度
outputs = model(images.to(self.device)) # 得到预测的标签
train_loss = loss_function(outputs, labels.to(self.device)) # 计算损失
train_loss.backward() # 反向传播，计算当前梯度
optimizer.step() # 根据梯度更新网络参数
# print statistics
running_loss += train_loss.item() # 累加损失
predict_y = torch.max(outputs, dim=1)[1] # 每行最大值的索引
# torch.eq()进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False
train_acc += torch.eq(predict_y, labels.to(self.device)).sum().item() # 计算准确率
train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1,
epochs,
train_loss) # 更新进度条
# 下面是模型验证
model.eval() # 不启用 BatchNormalization 和 Dropout，保证BN和dropout不发生变化
val_acc = 0.0 # accumulate accurate number / epoch
testing_loss = 0.0
with torch.no_grad(): # 张量的计算过程中无需计算梯度
val_bar = tqdm(validate_loader, file=sys.stdout) # 进度条
for val_data in val_bar: # 遍历验证集数据
val_images, val_labels = val_data # 取出图像和标签
outputs = model(val_images.to(self.device)) # 模型推理
val_loss = loss_function(outputs, val_labels.to(self.device)) # 计算损失
testing_loss += val_loss.item() # 累加损失
predict_y = torch.max(outputs, dim=1)[1] # 每行最大值的索引
# torch.eq()进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False
val_acc += torch.eq(predict_y, val_labels.to(self.device)).sum().item() # 计算准确率
train_loss = running_loss / train_steps # 计算平均损失
train_accurate = train_acc / train_num # 计算平均准确率
test_loss = testing_loss / val_steps # 计算平均损失
val_accurate = val_acc / val_num # 计算平均准确率
train_loss_history.append(train_loss)
train_acc_history.append(train_accurate)
test_loss_history.append(test_loss)
test_acc_history.append(val_accurate)
print('[epoch %d] train_loss: %.3f val_accuracy: %.3f' %
(epoch + 1, train_loss, val_accurate))
if val_accurate > best_acc:
best_acc = val_accurate
torch.save(model.state_dict(), self.model_name) # 保存最佳模型
# 记录结束时间
end_time = time()
run_time = end_time - begin_time
print('该循环程序运行时间：', run_time, "s")
# 数据保存
str_train_loss_history = ','.join([str(i) for i in train_loss_history])
str_train_acc_history = ','.join([str(i) for i in train_acc_history])
str_test_loss_history = ','.join([str(i) for i in test_loss_history])
str_test_acc_history = ','.join([str(i) for i in test_acc_history])
with open('results/resnet50_loss_acc.txt', 'w') as f:
f.write("train_loss_history: " + str_train_loss_history + "\n")
f.write("train_acc_history: " + str_train_acc_history + "\n")
f.write("test_loss_history: " + str_test_loss_history + "\n")
f.write("test_acc_history: " + str_test_acc_history + "\n")
# 绘制模型训练过程图
self.show_loss_acc(train_loss_history, train_acc_history,
test_loss_history, test_acc_history)
# 画热力图
test_real_labels, test_pre_labels = self.heatmaps(model, validate_loader, class_names)
# 计算混淆矩阵
self.calculate_confusion_matrix(test_real_labels, test_pre_labels, class_names)（四）总结
以上即为整个项目的介绍，整个项目主要包括以下内容：完整的程序代码文件、训练好的模型、数据集、UI界面和各种模型指标图表等。
项目包含全部资料，一步到位，省心省力！
项目运行过程如出现问题，请及时交流！
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
3
0- 0
已为社区贡献10条内容
所有评论(0)