花分类模型介绍

14种花类识别保留了出现频率较高的常见物体名称。模型结构采用最新的ViT-Base结构。
创空间快速可视化展示: ViT图像分类-花分类1

本系列还有如下模型，欢迎试用:

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

模型描述

采用Trasformer经典的ViT-Base结构, 并采用了DeiT的知识蒸馏方式进行训练。

期望模型使用方式以及适用范围

本模型适用花类识别。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 = 'test.pg'
image_classificatio = pipelie(Tasks.image_classificatio, 
                                model='zydfx1111/flower')
result = image_classificatio(img_path)
prit(result)

模型训练流程

• 主要训练参数参考DeiT论文的设置，除了weight decay在复现时设置为0.1，模型训练未使用pretraied参数进行初始化。

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

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

model_id = 'zydfx1111/flower'

# 加载数据
ms_trai_dataset = MsDataset.load(
            'flowers14', amespace='tay0699',
            subset_ame='default', split='trai') # 加载训练集

ms_val_dataset = MsDataset.load(
            'flowers14', amespace='tay0699',
            subset_ame='default', split='validatio') # 加载验证集

tmp_dir = "flower_base" # 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 = 32 # batch大小
    cfg.trai.dataloader.workers_per_gpu = 4     # 每个gpu的worker数目
    cfg.trai.max_epochs = 4                     # 最大训练epoch数
    cfg.model.mm_model.head.um_classes = 14                     # 分类数
    cfg.model.mm_model.trai_cfg.augmets[0].um_classes = 14    # 分类数
    cfg.model.mm_model.trai_cfg.augmets[1].um_classes = 14    # 分类数
    cfg.trai.optimizer.lr = 1e-4                # 学习率
    cfg.trai.lr_cofig.warmup_iters = 1         # 预热次数
    cfg.trai.evaluatio.metric_optios = {'topk': (1, 5)}  # 训练时的评估指标
    cfg.evaluatio.metric_optios = {'topk': (1, 5)}        # 评估时的评估指标
    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
    model_revisio='v1.0.2'
    )
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

使用训练好的模型对需要评估的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 = 'zydfx1111/flower'

# 加载用于评估的数据集
ms_val_dataset = MsDataset.load(
            'flowers14', 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

# 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
    model_revisio='v1.0.2'
    )
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。

#### Cloe with HTTP

bash git cloe https://www.modelscope.c/zydfx1111/flower.git ```

花分类模型介绍 14种花类识别保留了出现频率较高的常见物体名称。模型结构采用最新的ViT-Base结构。 创空间快速可视化展示: ViT图像分类-花分类1 本系列还有如下模型，欢迎试用: V