文章目錄

• 簡介
• 最終效果
• • 模型訓練精度
  • 掃一掃識別功能
• 使用的技術&框架
• • 軟/硬件需求
  • • 機器要求
    • 開發工具
    • 數據集
• 各模塊介紹
• • 模型訓練
  • 數據抓取
  • 模型移植
  • 安卓界面&數據走向
• 使用方式
• • 啟動模型訓練
  • • 重新開始新的訓練
    • 使用上次訓練結果繼續訓練
    • 模型移植
    • 項目定制化
  • 啟動APP

簡介

通過深度學習技術搭建殘差網絡，使用CompsCars數據集 進行車型識別模型的訓練，并將訓練好的模型移植到了Android端，實現了通過手機掃一掃的方式進行汽車車型識別的功能。

鑒于回復消息不及時，需要數據集的同學，請自行關注公眾號: 小張睡不飽

回復：車型識別數據集 即可獲得下載鏈接[OK]

項目涉及到的技術點較多，需要開發者有一定的技術功底。如：python語言的使用、深度學習框架pytorch的使用、爬蟲腳本的理解、Java語言的使用、Android平臺架構的理解等等。

雖然屬于跨語言開發，但是要求并不高，只要達到入門級別即可看懂本項目，并可以嘗試一些定制化的改造。畢竟框架已經搭建好了，只需要修改數據源、重新訓練出模型，就可以實現一款新的應用啦。

---

最終效果

以下視頻將展示所有功能完成后的APP的使用情況。

https://www.bilibili.com/video/BV1Pk4y1B7qK

模型訓練精度

以下是使用Resnet-34進行400次車型識別訓練的 train-validation圖表。

以下是使用Resnet-34進行400次車型識別訓練 Top-1的錯誤率。

以下是使用Resnet-34進行400次車型識別訓練 Top-5的錯誤率。

訓練模型結果: https://upload.csdn.net/creation/uploadResources/85267140

掃一掃識別功能

以下是移植到android平臺后進行識別的結果展示圖。

---

使用的技術&框架

• 開發語言：Python、Java
• 技術框架：pytorch、resnet-34、Android平臺
• 可選借助平臺：百度AI平臺
• 項目構成：模型訓練項目、爬蟲項目、APP開發項目

軟/硬件需求

機器要求

因為涉及到機器學習模型訓練，所以你應該擁有一臺用來訓練模型的機器，且需要搭載支持CUDA的GPU（如：GeForce、GTX、Tesla等），顯存大小，自然是越大越好。

本人項目環境：

• windows10 專業版；GeForce MAX150；獨顯 2G；1T硬盤

也就是說這是最低配了，你至少要和我同一配置。

開發工具

• Pycharm：用來訓練模型、pyhton爬蟲、模型移植腳本
• Android Studio：用來開發安卓APP

數據集

數據集是項目最重要的一部分，有了數據集才能開始訓練

本項目使用的是 香港中文大學的CompCars細粒度汽車數據集。

需要的同學可以私聊找我要網盤鏈接。

---

各模塊介紹

模型訓練

Github 地址：pytorch_train 歡迎 star/issue

訓練模型主要分為五個模塊：啟動器、自定義數據加載器、網絡模型、學習率/損失率調整以及訓練可視化。

啟動器是項目的入口，通過對啟動器參數的設置，可以進行很多靈活的啟動方式，下圖為部分啟動器參數設置。

任何一個深度學習的模型訓練都是離不開數據集的，根據多種多樣的數據集，我們應該使用一個方式將數據集用一種通用的結構返回，方便網絡模型的加載處理。

這里使用了殘差網絡Resnet-34，代碼中還提供了Resnet-18、Resnet-50、Resnet-101以及Resnet-152。殘差結構是通過一個快捷連接，極大的減少了參數數量，降低了內存使用。

以下為殘差網絡的基本結構和Resnet-34 部分網絡結構圖。

除了最開始看到的train-val圖表、Top-、Top-5的error記錄表以外，在訓練過程中，使用進度條打印當前訓練的進度、訓練精度等信息。打印時機可以通過上邊提到的 啟動器 優雅地配置。

以下為最終的項目包架構。

pytorch_train|-- data -- 存放讀取訓練、校驗、測試數據路徑的txt| |-- train.txt | |-- val.txt| |-- test.txt|-- result -- 存放最終生成訓練結果的目錄|-- util -- 模型移植工具|-- clr.py -- 學習率|-- dataset.py -- 自定義數據集|-- flops_benchmark.py -- 統計每秒浮點運算次數|-- logger.py -- 日志可視化|-- mobile_net.py -- 網絡模型之一 mobile_net2|-- resnet.py -- 網絡模型之一 Resnet系列|-- run.py -- 具體執行訓練、測試方法|-- start.py -- 啟動器

數據抓取

Github 地址：crawer/dongchedi 歡迎 star/issue

最終獲取的數據如下圖：

模型移植

Github 地址：pytorch_train/transfor

import osimport torch import torchvisionmodel_pth = os.path.join("results", "2020-04-27_10-27-17", 'checkpoint.pth.tar') # 將resnet34模型保存為Android可以調用的文件 mobile_pt = os.path.join("results", "2020-04-27_10-27-17", 'resnet34.pt') num_class = 13 device = 'cpu' # 'cuda:0' # cpumodel = torchvision.models.resnet34(num_classes=num_class) model = torch.nn.DataParallel(model, [0]) model.to(device=device)checkpoint = torch.load(model_pth, map_location=device) model.load_state_dict(checkpoint['state_dict'])model.eval() # 模型設為評估模式 # 1張3通道224*224的圖片 input_tensor = torch.rand(1, 3, 224, 224) # 設定輸入數據格式 traced_script_module = torch.jit.trace(model.module, input_tensor) # 模型轉化 traced_script_module.save(mobile_pt) # 保存文件

安卓界面&數據走向

Github 地址：carIdentify 歡迎 star/issue

實現了以下功能：

• 調用攝像頭權限自動申請
• 攝像頭預覽
• 讀取pytorch訓練模型
• 調用第三方接口，精準預測

最終界面展示：

安卓項目結構如圖：

---

使用方式

啟動模型訓練

啟動前需要確保你已經有了本項目使用的數據集 CompCars

重新開始新的訓練

python start.py --data_root "./data" --gpus 0,1,2 -w 2 -b 120 --num_class 13

• –data_root 數據集路徑位置
• –gups 使用gpu訓練的塊數
• -w 為gpu加載自定義數據集的工作線程
• -b 用來gpu訓練的 batch size是多少
• –num_class 分類類別數量

使用上次訓練結果繼續訓練

python start.py --data_root "./data" --gpus 0,1,2 -w 2 -b 120 --num_class 13 --resume "results/2020-04-14_12-36-16"

• –data_root 數據集路徑位置
• –gups 使用gpu訓練的塊數
• -w 為gpu加載自定義數據集的工作線程
• -b 用來gpu訓練的 batch size是多少
• –num_class 分類類別數量
• –resume 上次訓練結果文件夾，可繼續上次的訓練

模型移植

將訓練好的模型轉換為Android可以執行的模型

python transfor.py

項目定制化

• 找尋自己的數據集
• 需要修改啟動腳本中 –num_class，模型類別

目前項目中具備很多備注記錄，稍加review代碼就可以理解，如有不清楚，可以私信詢問。

啟動APP

APP下載鏈接：https://pan.baidu.com/s/1X7tobj4R302WmGu116-2mg 提取碼: 1606

• 安裝完成后
• 同意調用系統相機權限
• 使用掃一掃對準汽車
• 稍后將會展示識別后的結果和識別的圖片

具體使用方式，可參見：https://www.bilibili.com/video/BV1Pk4y1B7qK

總結

以上是生活随笔為你收集整理的基于深度学习的车型识别APP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。