生活垃圾分类模型介绍

自建265类常见的生活垃圾标签体系，15w张图片数据，包含可回收垃圾、厨余垃圾、有害垃圾、其他垃圾4个标准垃圾大类，覆盖常见的食品，厨房用品，家具，家电等生活垃圾小类共265个，标签从海量中文互联网社区语料进行提取，整理出频率较高的常见生活垃圾名称。模型结构采用CovNeXt-Base结构, 先在大规模数据集ImageNet-22K上预训练，后在数据集上进行微调，最终垃圾分类验证集上top-1精度为92.23%。
垃圾分类:

本系列还有如下模型，欢迎试用:

• ViT图像分类-中文-日常物品
• ViT图像分类-通用
• NextViT实时图像分类-中文-日常物品
• BEiTv2图像分类-通用-base
• BEiTv2图像分类-通用-large

模型描述

模型结构采用CovNeXt-Base，是一个全面超越Swi Trasformer的CNN。论文从原始的ResNet出发，通过借鉴Swi Trasformer的设计来逐步地改进ResNet模型，并测试了纯卷积网络所能达到的极限，在这个过程中发现了几个有助于性能提高的关键组件。CovNeXt完全由标准CovNet模块构建，但在准确性和可扩展性方面与trasformer相比具有竞争性，它实现了87.8%的ImageNet top-1精度，并在COCO检测和ADE20K分割任务上优于Swi trasformer，同时保持了标准CovNet的简单性和高效性。
论文 | 代码

期望模型使用方式以及适用范围

本模型适用于日常生活垃圾分类，可识别可回收垃圾、厨余垃圾、有害垃圾、其他垃圾这4个标准的垃圾大类，265个垃圾小类，覆盖常见的食品，厨房用品，家具，家电等生活垃圾。也可作为下游任务的预训练backboe。

如何使用

在ModelScope框架上，提供输入图片，即可通过简单的Pipelie调用来使用。

代码范例

from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

img_path = 'https://modelscope.oss-c-beijig.aliyucs.com/test/images/baaa.jpg'
image_classificatio = pipelie(Tasks.image_classificatio, 
                                model='damo/cv_covext-base_image-classificatio_garbage')
result = image_classificatio(img_path)
prit(result)

模型局限性以及可能的偏差

• 支持识别4个标准的生活垃圾大类：可回收垃圾、厨余垃圾、有害垃圾、其他垃圾
• 支持识别265个生活垃圾品类

训练数据介绍

• 15万包含常见的生活垃圾图像集，包含可回收垃圾、厨余垃圾、有害垃圾、其他垃圾4个标准垃圾大类，覆盖常见的食品，厨房用品，家具，家电等265个垃圾小类。其中训练集133038张图像，验证集14642张图像，均从海量中文互联网社区语料进行提取，数据大小为13GB。

模型训练流程

• 主要训练参数参考论文CovNeXt的设置，模型先在大规模数据集ImageNet-22K上预训练后，再在垃圾数据集上进行微调，微调使用4张GPU，batchsize为128，epoch为100，lr为5e-5，weightdecay=0.1, warmupiters=10, 其它参数不变。

预处理

测试时主要的预处理如下：

• Resize：先将原始图片的短边缩放至256
• Normalize：图像归一化，减均值除以标准差
• CeterCrop：裁切为224x224

数据评估及结果

模型在自建测试集进行测试，结果如下:

模型训练

使用托管在modelscope DatasetHub上的小型数据集mii_imageet100进行fietue训练的示例代码:

from modelscope.msdatasets import MsDataset
from modelscope.metaifo import Traiers
from modelscope.traiers import build_traier
import tempfile

model_id = 'damo/cv_covext-base_image-classificatio_garbage'

# 加载数据
ms_trai_dataset = MsDataset.load(
            'mii_imageet100', amespace='tay0699',
            subset_ame='default', split='trai')      # 加载训练集

ms_val_dataset = MsDataset.load(
            'mii_imageet100', amespace='tay0699',
            subset_ame='default', split='validatio') # 加载验证集

tmp_dir = tempfile.TemporaryDirectory().ame # 使用临时目录作为工作目录

# 修改配置文件
def cfg_modify_f(cfg):
    cfg.trai.dataloader.batch_size_per_gpu = 16 # batch大小
    cfg.trai.dataloader.workers_per_gpu = 1     # 每个gpu的worker数目
    cfg.trai.max_epochs = 1                     # 最大训练epoch数
    cfg.model.mm_model.head.um_classes = 100    # 分类数
    cfg.trai.optimizer.lr = 1e-4                # 学习率
    cfg.trai.lr_cofig.warmup_iters = 1         # 预热次数
    retur cfg

# 构建训练器
kwargs = dict(
    model=model_id,                 # 模型id
    work_dir=tmp_dir,               # 工作目录
    trai_dataset=ms_trai_dataset, # 训练集  
    eval_dataset=ms_val_dataset,    # 验证集
    cfg_modify_f=cfg_modify_f     # 用于修改训练配置文件的回调函数
    )
traier = build_traier(ame=Traiers.image_classificatio, default_args=kwargs)

# 进行训练
traier.trai()

# 进行评估
result = traier.evaluate()
prit('result:', result)

训练说明见示例代码中的注释，更详细的训练说明和用法见官方的训练文档。训练过程产生的log和模型权重文件保存在workdir工作目录中，并以前缀为'best'的文件保存了在验证集上最优精度的权重。evaluate()默认使用精度最高的模型权重进行评估。

模型评估

对中文生活垃圾分类数据集进行精度评估示例代码如下:

from modelscope.msdatasets import MsDataset
from modelscope.metaifo import Traiers
from modelscope.traiers import build_traier
import tempfile

model_id = 'damo/cv_covext-base_image-classificatio_garbage'

# 加载用于评估的数据集
ms_val_dataset = MsDataset.load(
            'garbage265', amespace='tay0699',
            subset_ame='default', split='validatio') 

tmp_dir = tempfile.TemporaryDirectory().ame # 使用临时目录作为工作目录

# 构建训练器
kwargs = dict(
    model=model_id,                 # 模型id
    work_dir=tmp_dir,               # 工作目录
    trai_dataset=Noe,  
    eval_dataset=ms_val_dataset     # 评估的数据集
    )
traier = build_traier(ame=Traiers.image_classificatio, default_args=kwargs)

# 开始评估
result = traier.evaluate()
prit('result:', result)

评估过程默认使用模型中自带的预训练权重进行评估, 评估结果为: result: {'accuracytop-1': 92.23241424560547, 'accuracytop-5': 98.20011138916016}

Cloe with HTTP

 git cloe https://www.modelscope.c/damo/cv_covext-base_image-classificatio_garbage.git

引用

如果该模型对你有所帮助，请引用相关的论文：

@Article{liu2022covet,
  author  = {Zhuag Liu ad Hazi Mao ad Chao-Yua Wu ad Christoph Feichtehofer ad Trevor Darrell ad Saiig Xie},
  title   = {A CovNet for the 2020s},
  joural = {Proceedigs of the IEEE/CVF Coferece o Computer Visio ad Patter Recogitio (CVPR)},
  year    = {2022},
}

生活垃圾分类模型介绍 自建265类常见的生活垃圾标签体系，15w张图片数据，包含可回收垃圾、厨余垃圾、有害垃圾、其他垃圾4个标准垃圾大类，覆盖常见的食品，厨房用品，家具，家电等生活垃圾小类共265个，