Python 提高多类图像分类精度
我正在使用Food-101数据集构建一个分类器。数据集具有预定义的训练集和测试集,两者都已标记。它总共有101000张图片。我正在尝试为top-1构建一个准确率>=90%的分类器模型。我现在坐在75%。提供的训练设备不干净。但是现在,我想知道我可以改进模型的一些方法,以及我做错了什么 我已经将火车和测试图像划分到各自的文件夹中。在这里,我使用0.2的训练数据集通过运行5个阶段来验证学习者Python 提高多类图像分类精度,python,computer-vision,pytorch,classification,fast-ai,Python,Computer Vision,Pytorch,Classification,Fast Ai,我正在使用Food-101数据集构建一个分类器。数据集具有预定义的训练集和测试集,两者都已标记。它总共有101000张图片。我正在尝试为top-1构建一个准确率>=90%的分类器模型。我现在坐在75%。提供的训练设备不干净。但是现在,我想知道我可以改进模型的一些方法,以及我做错了什么 我已经将火车和测试图像划分到各自的文件夹中。在这里,我使用0.2的训练数据集通过运行5个阶段来验证学习者 np.random.seed(42) data = ImageList.from_folder(path).
np.random.seed(42)
data = ImageList.from_folder(path).split_by_rand_pct(valid_pct=0.2).label_from_re(pat=file_parse).transform(size=224).databunch()
top_1 = partial(top_k_accuracy, k=1)
learn = cnn_learner(data, models.resnet50, metrics=[accuracy, top_1], callback_fns=ShowGraph)
learn.fit_one_cycle(5)
在这里,我试图找到学习率。与讲座中的情况相当标准:
learn.lr_find()
learn.recorder.plot(suggestion=True)
使用1e-06的学习率运行另外5个时代。将其保存为第2阶段
learn.fit_one_cycle(5, max_lr=slice(1.e-06))
learn.save('stage-2')
之前我一共运行了3个阶段,但是模型没有超过0.706403,所以我不想重复。下面是我的混淆矩阵。我为这个糟糕的决议道歉。这是科拉布干的
由于我已经创建了一个额外的验证集,我决定使用测试集来验证已保存的stage-2模型,以查看它的性能:
path = '/content/food-101/images'
data_test = ImageList.from_folder(path).split_by_folder(train='train', valid='test').label_from_re(file_parse).transform(size=224).databunch()
learn.load('stage-2')
learn.validate(data_test.valid_dl)
结果是:
[0.87199837, tensor(0.7584), tensor(0.7584)]
- 尝试增强功能,如RandomHorizontalFlip、RandomResizedCrop、, 从torchvision变换中随机旋转、规格化等。这些在分类问题上总是有很大帮助
- 标签平滑和/或混合精度训练
- 只需尝试使用更优化的架构,如EfficientNet
- 而不是一个周期,更长,更手动的培训方法可能会有所帮助。尝试随机梯度下降,权重衰减为5e-4,Nesterov动量为0.9。使用大约1-3个阶段的热身训练,然后定期进行大约200个阶段的训练。您可以设置手动学习速率计划或余弦退火或其他方案。与通常的单周期训练相比,整个方法将花费更多的时间和精力,并且只有在其他方法没有显示出可观的收益时,才应该进行探索
epoch train_loss valid_loss accuracy top_k_accuracy time
0 0.940980 1.124032 0.705809 0.705809 18:18
1 0.989123 1.122873 0.706337 0.706337 18:24
2 0.963596 1.121615 0.706733 0.706733 18:38
3 0.975916 1.121084 0.707195 0.707195 18:27
4 0.978523 1.123260 0.706403 0.706403 17:04
path = '/content/food-101/images'
data_test = ImageList.from_folder(path).split_by_folder(train='train', valid='test').label_from_re(file_parse).transform(size=224).databunch()
learn.load('stage-2')
learn.validate(data_test.valid_dl)
[0.87199837, tensor(0.7584), tensor(0.7584)]