《昇思 25 天学习打卡营第 10 天 | ResNet50 迁移学习》-EW帮帮网

《昇思 25 天学习打卡营第 10 天 | ResNet50 迁移学习》

活动地址：https://xihe.mindspore.cn/events/mindspore-training-camp
签名：Sam9029

使用迁移学习进行狼狗图像分类

简介

在机器学习和深度学习中，我们经常面临数据不足的问题。
迁移学习是一种解决这一问题的有效方法。

本章节将通过一个简单的案例，介绍如何使用迁移学习对狼和狗的图像进行分类。

迁移学习概念

迁移学习是一种学习方式，它允许我们将在一个大型数据集（如 ImageNet）上预训练的模型应用于一个新的、通常较小的数据集。这样，我们可以利用预训练模型已经学到的特征，而不必从头开始训练整个网络。

使用模型 `ResNet50`

ResNet50 是一种深度卷积神经网络（CNN）架构, 由微软研究院的 Kaiming He 等人在 2015 年提出，并在多个视觉识别任务中取得了突破性的性能。

ResNet50 的应用：
图像分类：ResNet50 可以用于将图像分类到 1000 个类别中，这是 ImageNet 数据集的标准任务。
物体检测：通过将 ResNet50 与区域建议网络（Region Proposal Networks, RPN）结合，可以用于物体检测任务。
语义分割：ResNet50 也可以用于像素级的图像理解，即语义分割，其中每个像素都被分类到相应的类别。

数据准备

首先，我们需要下载并准备数据集。在这个案例中，我们使用的是来自 ImageNet 的狼和狗的图像数据集。

from download import download
dataset_url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/intermediate/Canidae_data.zip"
download(dataset_url, "./datasets-Canidae", kind="zip", replace=True)

加载和增强数据集

使用 MindSpore 的数据集加载接口ImageFolderDataset来加载数据，并进行一些图像增强操作，如随机裁剪、水平翻转等。

import mindspore.dataset as ds
import mindspore.dataset.vision.c_transforms as vision

def create_dataset_canidae(dataset_path, usage):
    """数据加载"""
    data_set = ds.ImageFolderDataset(dataset_path,
                                     num_parallel_workers=workers,
                                     shuffle=True,)

    # 数据增强操作
    mean = [0.485 * 255, 0.456 * 255, 0.406 * 255]
    std = [0.229 * 255, 0.224 * 255, 0.225 * 255]
    scale = 32

    if usage == "train":
        # Define map operations for training dataset
        trans = [
            vision.RandomCropDecodeResize(size=image_size, scale=(0.08, 1.0), ratio=(0.75, 1.333)),
            vision.RandomHorizontalFlip(prob=0.5),
            vision.Normalize(mean=mean, std=std),
            vision.HWC2CHW()
        ]
    else:
        # Define map operations for inference dataset
        trans = [
            vision.Decode(),
            vision.Resize(image_size + scale),
            vision.CenterCrop(image_size),
            vision.Normalize(mean=mean, std=std),
            vision.HWC2CHW()
        ]

    # other code ...

训练模型&&训练过程

我们选择 ResNet50 作为基础模型，并对其进行调整以适应我们的分类任务。

def resnet50(num_classes: int = 1000, pretrained: bool = False):
    "ResNet50模型"
    resnet50_url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/models/application/resnet50_224_new.ckpt"
    resnet50_ckpt = "./LoadPretrainedModel/resnet50_224_new.ckpt"
    return _resnet(resnet50_url, ResidualBlock, [3, 4, 6, 3], num_classes,
                pretrained, resnet50_ckpt, 2048)

固定特征进行训练
训练和评估
可视化模型预测

学嘛了，完全是懵懵懂懂的，跑了一篇流程，收获就是知道了计算机视觉识别图片的过程,
使用全卷积化网络的深度学习网络模型，来对图片进行分类和识别

《昇思 25 天学习打卡营第 10 天 | ResNet50 迁移学习》