基于pytorch-classifier这个源码进行实现的图像分类

代码的介绍在这个链接里面，这篇博客主要是为了带着大家通过实践的方式熟悉一下代码的使用，并且了解相关功能。

1. 下载相关资料

这里我提供了一个花朵数据集，里面总共有十个类别的花朵作为本次实验的数据集。
我们下载代码和数据集到本地，然后我们在下图创建一个名字为dataset的文件夹，然后把花朵数据集放到里面并重命名为train，具体如下：

至此，完成第一步。

2. 配置环境

1. 首先推荐使用anaconda作为你的python环境，代码工具可以使用vscode或者pycharm，这个根据使用者爱好，这边我使用的是pycharm，那么这里默认各位已经准备好anaconda和(vscode或者pycharm)，不会安装的话可以百度一下，这方面的教程都非常丰富。
2. 安装torch和torchvision
   你可以在这个pytorch官网中找到对应的安装命令，这里版本要求torch==1.12.0+，下面贴出torch==1.12.0的各项安装命令，各位看官可以根据自己的电脑情况进行选择
   CUDA 11.6
   pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
   CUDA 11.3
   pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
   CUDA 10.2
   pip install torch==1.12.0+cu102 torchvision==0.13.0+cu102 --extra-index-url https://download.pytorch.org/whl/cu102
   CPU only
   pip install torch==1.12.0+cpu torchvision==0.13.0+cpu --extra-index-url https://download.pytorch.org/whl/cpu
3. 安装成功后，进入到代码路径进行pip install -r requirements.txt

至此，完成第二步。

3.分割数据集

在第一步中我们已经放好数据集，但是还没有划分验证集和测试集，这个代码中的processing.py提供了分割数据集的功能，其主要参数如下

其中–val_size --test_size就是验证集和测试集的比例，这里的分割思想是，先在全部数据集上分出–test_size比例的数据，然后再从剩下的分出-val_size比例的数据。具体参数解释可以看Readme.md文件。

那么我们默认参数即可，如果各位看官需要修改，可以自行修改即可，那么我们的运行命令就是：

python processing.py

如果需要更改参数，可以直接在命令后面指定，比如我想验证集比例是0.1：

python processing.py --val_size 0.1

运行成功后你可以看到下图所示：

至此，完成第三步。

4. 训练模型

在本次实验中我们训练ghostnet，其中训练的代码在main.py中，具体参数解释请看Readme.md，都已经解释得比较详细了。那么这里我们直接上命令并附带一些解释：

python main.py --model_name ghostnet --pretrained --config config/config.py --save_path runs/ghostnet_flower --lr 1e-4 --warmup --amp --imagenet_meanstd  --Augment AutoAugment 

运行后，你可以看到以下信息：

其中会输出所有参数的设置信息，可以通过这个表格观看你的参数设置是否有误。我们也可以看到其在下载预训练权重到本地路径，有些看官的网络不好的话，其可能会卡在这里不动，那我们可以手动复制这个链接：

https://github.com/z1069614715/pretrained-weights/releases/download/ghostnet_1x_v1.0/ghostnet_1x-f97d70db.pth

到迅雷或者浏览器上进行下载到：

C:\Users\Admin/.cache\torch\hub\checkpoints\ghostnet_1x-f97d70db.pth

上述的下载链接和路径在各位看官的输出信息中都可以找到。
然后就会开始训练：

我们可以看到显示了你选择的模型是ghostnet，也显示了这个模型的flops和参数量，然后就开始训练，并显示训练的进度条和每个epoch的log信息。然后我们就可以等待训练结束。

我们从图中可以看到其训练到83个epoch就停止，是因为代码中有一个–patience参数，默认值为30，也就是经过30个epoch没有提升，模型就会认为已经收敛，就停止训练。训练完成后我们可以打开刚设定好的–save_path路径：

其中我们可以看到以下的可视化：

1. 曲线迭代图
   
2. 学习率曲线变化图
   
3. 训练过程中的图像可视化
   
   

这里就只展示两张图，默认是生成五张。
当然你对上述曲线可视化不满意，可以自行读取–save_path中的train.log文件进行自定义可视化。这个文件相当于记录了曲线上的值，方便后期各位美工图像等等…

我们还看到有一个best.pt和last.pt，后续的测试和预测的步骤，都会读取best.pt作为我们的模型进行测试和预测，其余文件有兴趣可以看看Readme.md中的Some explanation的第八点。
至此，完成第四步

5. 测试

我们在第四步中使用了训练集进行训练，验证集测试，那么剩下测试集就是用训练好的模型进行检测，那么这里我演示如何使用我们的metrice.py进行检测。

python metrice.py --task test --save_path runs/ghostnet_flower

–task 就是任务的意思 其支持train、val、test、fps。这里我们演示的是test，就是使用测试集进行测试计算指标。运行后的截图如下：

我们可以看到其会显示你当前的模型类型，显示你这个模型训练过程最好精度的指标，然后下面就是显示精度，类别平均精度，以及每个类别的preciesion、recall、f1-score、Kappa、accuracy.
你还可以在–save_path中的test文件夹中找到混淆矩阵，其中csv文件就是数据的存储，如果有作图、美工的需求，可以自行读取。


当然我们的测试过程是支持tta(详情可看Readme.md文件中的第10点)的，只需要额外加一个参数即可

python metrice.py --task test --save_path runs/ghostnet_flower --test_tta

我们可以看到使用tta可以增加精度，但是会增加一点时间。
我们的metrice.py中还支持可视化数据集的识别情况和tsne可视化，也是只需要添加两个参数即可。

python metrice.py --task test --save_path runs/ghostnet_flower --visual --tsne

当然这个过程也支持test_tta，但是为了节省时间就不加了。运行结束后，我们可以在–save_path路径中找到对应的数据文件：


其中tsne的坐标信息也保存到tsne.csv中，方便后期美工。
还有生成了correct.csv，incorrect.csv这两个csv文件，其中里面记录了文件路径，预测的类别，正确的类别，预测的类别对应的概率，以方便后期进行错误预测的分析。
至此，完成第五步。

6. 预测

预测的代码文件是predict.py，其支持输入单张图片或者一个文件夹，那么这里我们就展示一个文件夹的预测。
假如我们把测试集中其中一类的文件进行预测，我们可以运行以下命令:

python predict.py --source dataset/test/00 --save_path runs/ghostnet_flower

当然此过程也是支持test_tta，也是只需要在后面添加参数即可。
这是运行成功的截图：

我们可以打开–save_path的predict文件夹：

我们随便打开一张图像：

我们可以看到图像的预测类别和对应预测类别的概率。
你以为结束了吗？并没有，我们的predict.py文件结合pytorch_grad_cam库实现了热力图可视化，并支持多种热力图计算方法详情请看–cam_type参数和Some explanation第十二点，也是只需要加一个参数：

python predict.py --source dataset/test/00 --save_path runs/ghostnet_flower --cam_visual --cam_type GradCAMPlusPlus

运行成功后依然在–save_path的predict文件夹中可以找到对应保存的图像，这里我们也是随便打开一张图像：

我们可以看到在图像中添加了这个热力图可视化。
你们在文件夹中还可以找到一个result.csv文件，其记录了文件的路径，预测的类别，预测的类别对应的概率信息。
至此，完成第六步。

总结

整个程序的功能演示就到此结束，当然程序的功能不仅仅于此，具体可以看Readme.md中的具体解释，其还支持知识蒸馏，有兴趣的可以看一下代码中的Knowledge_Distillation.md，使用起来也是比较简单的，但是知识蒸馏的参数设置比较吃经验，需要使用者自行尝试。
如果遇到bug等等问题可以留言或者私信作者。
本次实验的代码数据模型全部文件:百度云链接

最后致敬bubbliiing的开源精神！

如果内容对你有帮助，麻烦点个赞，谢谢！

有计算机视觉合作项目可以私信作者！