文章目錄

• • 一、數據準備
  • 二、模型修改
  • 三、模型訓練
  • 四、模型效果可視化
  • 五、如何分別計算每個類別的精確率和召回率

MMclassification 是一個分類工具庫，這篇文章是簡單記錄一下如何用該工具庫來訓練自己的分類模型，包括數據準備，模型修改，模型訓練，模型測試等等。

MMclassification鏈接：https://github.com/open-mmlab/mmclassification

安裝：https://mmclassification.readthedocs.io/en/latest/install.html

訓練：https://mmclassification.readthedocs.io/en/latest/getting_started.html

一、數據準備

MMclassification 支持 ImageNet 和 cifar 兩種數據格式，我們以 ImageNet 為例來看看數據結構：

|- imagenet | |- classmap.txt | |- train | | |- cls1 | | |- cls2 | | |- cls3 | | |- ... | |- train.txt | |- val | | |- images | |- val.txt

假設我們要訓練一個貓狗二分類模型，則需要組織的形式如下：

|- dog_cat_dataset | |- classmap.txt | |- train | | |- dog | | |- cat | |- train.txt | |- val | | |- images | |- val.txt

其中，classmap.txt 中的內容如下：

dog 0 cat 1

二、模型修改

假設使用 resnet18 來訓練，則我們需要修改的內容主要集中在 config 文件里邊，修改后的config文件 resnet18_b32x8_dog_cat_cls.py 如下：

• 修改類別：將 1000 類改為 2 類
• 修改數據路徑：data
• 如果數據前處理需要修改的話，也可以在config里邊修改
• 因為config是最高級的，所以在這里修改后會覆蓋模型從mmcls庫中讀出來的參數

_base_ = ['../_base_/models/resnet18.py', '../_base_/datasets/imagenet_bs32.py','../_base_/schedules/imagenet_bs256.py', '../_base_/default_runtime.py' ] model = dict(head=dict(type='LinearClsHead',num_classes=2,in_channels=512,loss=dict(type='CrossEntropyLoss', loss_weight=1.0),topk=(1, ),))data = dict(samples_per_gpu=32,workers_per_gpu=1,train=dict(data_prefix='data/dog_cat_dataset/train',ann_file='data/dog_cat_dataset/train.txt',classes='data/dog_cat_dataset/classmap.txt'),val=dict(data_prefix='data/dog_cat_dataset/val',ann_file='data/dog_cat_dataset/val.txt',classes='data/dog_cat_dataset/classmap.txt'),test=dict(# replace `data/val` with `data/test` for standard testdata_prefix='data/dog_cat_dataset/val',ann_file='data/dog_cat_dataset/val.txt',classes='data/dog_cat_dataset/classmap.txt')) evaluation = dict(interval=1, metric='accuracy', metric_options={'topk': (1, )})

三、模型訓練

python tools/train.py configs/resnet/resnet18_b32x8_dog_cat_cls.py

四、模型效果可視化

python tools/test.py configs/resnet/resnet18_b32x8_dog_cat_cls.py ./models/epoch_99.pth --out result.pkl --show-dir output_cls

使用 gradcam 可視化：

python tools/visualizations/vis_cam.py visual_img/4.jpg configs/resnet/resnet18_b32x8_door.py ./models/epoch_99.pth --s ave-path visual_path/4.jpg

五、如何分別計算每個類別的精確率和召回率

先進行測試，得到 result.pkl 文件，然后運行下面的程序即可：

python tools/cal_precision.py configs/resnet/resnet18_b32x8_imagenet.py import mmcv import argparse from mmcls.datasets import build_dataset from mmcls.core.evaluation import calculate_confusion_matrix from sklearn.metrics import confusion_matrixdef parse_args():parser = argparse.ArgumentParser(description='calculate precision and recall for each class')parser.add_argument('config', help='test config file path')args = parser.parse_args()return argsdef main():args = parse_args()cfg = mmcv.Config.fromfile(args.config)dataset = build_dataset(cfg.data.test)pred = mmcv.load("./result.pkl")['pred_label']matrix = confusion_matrix(pred, dataset.get_gt_labels())print('confusion_matrix:', matrix)cat_recall = matrix[0,0]/(matrix[0,0]+matrix[1,0])dog_recall = matrix[1,1]/(matrix[0,1]+matrix[1,1])cat_precision = matrix[0,0]/sum(matrix[0])dog_precision = matrix[1,1]/sum(matrix[1])print(' cat_precision:{} \n dog_precison:{} \n cat_recall:{} \n dog_recall:{}'.format(cat_precision, dog_precison, cat_recall, dog_recall))if __name__ == '__main__':main()

總結

以上是生活随笔為你收集整理的【图像分类】如何使用 mmclassification 训练自己的分类模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。