18个面向初学者的经典开源计算机视觉项目-图像分类篇VGG(二)

开源的AI算法可以进行物体识别,动物识别 其中最常用的算法是深度学习中的卷积神经网络(Convolutional Neural Network,CNN),如Google开源的Inception和ResNet模型,以及Facebook开源的Detectron2框架等。可以通过学习相关的机器学习和深度学习课程,掌握这些算法的基本原理和实现方法,从而进行物体和动物识别等应用。需要注意的是,以上代码只是一个示例,实际使用时需要根据自己的数据集和任务进行调整和修改。需要注意的是,以上代码只是一个示例,实际使用时需要根据自己的数据集和任务进行调整和修改。 阅读详情

人脑可以很容易地识别和区分图像中的物体。例如,给定猫和狗的图像,在纳秒之内,我们就能区分它们,我们的大脑也能感知到这种差异。如果一台机器模仿这种行为,它就和我们能得到的人工智能一样接近。随后,计算机视觉领域的目标是模仿人类视觉系统——在这方面,已经有许多里程碑突破了障碍。

此外,如今的机器可以轻松区分不同的图像,检测物体和人脸,甚至生成不存在的人的图像!很迷人,不是吗?当我开始使用计算机视觉时,我的第一次经历是图像分类。机器区分物体的能力带来了更多的研究途径——比如区分人。

图片

迁移学习的出现进一步加速了计算机视觉和图像分类的快速发展。简单地说,迁移学习允许我们使用一个预先存在的模型,在一个巨大的数据集上训练,用于我们自己的任务。因此,降低了训练新深度学习模型的成本,而且由于数据集已经过审查,我们可以保证质量。

在图像分类中,有一些非常流行的数据集用于研究、工业和黑客活动。以下是一些突出的问题:ImageNet、CIFAR、MNIST等等。

在本文中,我将介绍用于图像分类的前4个预训练模型,它们是最先进的(SOTA),并且在行业中也广泛使用。可以对各个模型进行更详细的解释,但我仅限于在本文中概述它们的体系结构并在数据集上实现它。

目录

配置系统环境、准备数据集、图像分类的预训练模型、VGG-16、ResNet50、Iceptionv3、EfficientNet。

配置系统环境

因为我们从猫和狗开始,所以让我们来研究猫和狗的图像数据集。Kaggle上的原始训练数据集有25000张猫和狗的图像,测试数据集有10000张未标记的图像。因为我们的目的只是理解这些模型,所以我使用了更小的数据集。可以直接在GoogleColab上运行这段代码和其他代码——让我们开始吧!

图片

让我们也导入基本库。此外,我将根据模型需要来做import:

图片

准备数据集

我们将首先准备数据集并分离图像:

1、我们首先将文件夹内容划分为train和validation目录;

2、然后,在每个目录中,为只包含猫图像的猫创建单独目录,为只包含狗图像的狗创建单独的控制器。

图片

下面的代码将让我们检查图像是否已正确加载:

现在我们已经准备好了数据集,让我们进入模型构建阶段。我们将在此数据集上使用4种不同的预训练模型。

图片

图像分类的预训练模型

在本节中,我们将介绍用于图像分类的4个预训练模型,如下所示

1.用于大规模图像识别的超深卷积网络(VGG-16)

VGG-16是用于图像分类的最流行的预训练模型之一。在著名的ILSVRC 2014年会议上介绍,它过去是,现在仍然是击败对手的典范。VGG-16在牛津大学的Visual Grand小组开发,击败了当时的AlxNEt标准,并迅速被研究者和业界采纳,用于他们的图像分类任务。

以下是VGG-16的体系结构:

图片

以下是VGG-16型号的更直观布局。

图片

以下是模型的层:

卷积层=13

池层=5

密集层=3

让我们详细探讨各层:

输入:尺寸的图像(224,224,3)

卷积层Conv1:

Conv1-1:64个滤波器

Conv1-2:64个滤波器和最大池

图像尺寸:(224,224)

卷积层Conv2:现在,我们将滤波器增加到128

输入图像尺寸:(112,112)

Conv2-1:128个滤波器

Conv2-2:128个滤波器和最大池

卷积层Conv3:再次将滤波器加倍到256,现在添加另一个卷积层 

输入图像尺寸:(56,56)

Conv3-1:256个滤波器

Conv3-2:256个滤波器

Conv3-3:256个过滤器和最大池

卷积层Conv4:与Conv3类似,但现在有512个滤波器

输入图像尺寸:(28,28)

Conv4-1:512滤波器

Conv4-2:512滤波器

Conv4-3:512滤波器和最大池

卷积层Conv5:与Conv4相同

输入图像尺寸:(14,14)

Conv5-1:512滤波器

Conv5-2:512滤波器

Conv5-3:512滤波器和最大池

这里的输出尺寸是(7,7)。此时,我们将该层的输出展平以生成特征向量

全连接/密集FC1:4096个节点,生成大小为(1,4096)的特征向量

完全连接的节点FC2:4096个节点,生成大小为(1,4096)的特征向量

完全连接/密集FC3:4096个节点,为1000个类生成1000个通道。然后将其传递给Softmax激活功能

输出层

如上所见,该模型本质上是连续的,并且使用了大量滤波器。在每个阶段,使用小的3*3过滤器来减少参数数量。所有隐藏层都使用ReLU激活功能。即便如此,参数的数量仍高达1380亿——这使得它比其他模型更慢、更大。

此外,VGG16模型还有一些变化,基本上是对它的改进,比如VGG19(19层)。你可以找到详细的解释。

现在让我们探讨如何在数据集上训练VGG-16模型:

步骤1:图像增强

因为我们之前使用了更小的图像数据集,所以我们可以通过增加这些数据和增加数据集的大小来弥补。如果使用的是原始较大的数据集,则可以跳过此步骤,直接继续构建模型。

图片

骤2:训练和验证集

图片

步骤3:加载基础模型

我们将只使用基本模型,仅对最后一层进行更改。这是因为这只是一个二进制分类问题,而这些模型的构建可以处理多达1000个类。

图片

由于我们不必训练所有层,因此我们使它们不可训练:

图片

第4步:编译和拟合

然后,我们将构建最后一个完全连接的层。我刚刚使用了基本设置,但可以随意尝试不同的dropOut、不同的优化器和激活函数。

图片

现在,我们将根据前面创建的训练和验证集构建最终模型。请注意使用原始目录本身,而不是我在下面使用的扩充数据集。我进行了10次epochs,但你也可以增加它们以获得更好的结果:

图片

令人惊叹的正如您所看到的,我们能够在10次epochs内实现93%的验证准确率,并且没有对模型进行任何重大更改。这就是我们认识到迁移学习是多么强大以及预训练的图像分类模型是多么有用的地方。不过这里有一个警告——与其他模型相比,VGG16需要很长的训练时间,这在我们处理大型数据集时可能是一个缺点。

话虽如此,我真的很喜欢这个模型是多么简单和直观。在ImageNet语料库上进行训练,VGG-16的另一个显著成就是它在ImageNet ILSVRC-2014中获得了第一名,从而巩固了它在图像分类顶级预训练模型列表中的地位。

参考链接:

https://www.analyticsvidhya.com/blog/2020/08/top-4-pre-trained-models-for-image-classification-with-python-code/?utm_source=blog&utm_medium=18_open-Source_computer_vision_projects

微信公众号:

图片

下载对应的论文,在公众号中回复:paper

VGG Image Annotator (VIA):一款免费的数据标注软件介绍与使用 VGG Image Annotator (VIA)简介 VIA是由牛津大学VGG组开发的免费开源图像标注工具,支持矩形、多边形、圆形和点标注,适用于物体检测、图像分割等任务。其特点包括: 无需安装:基于浏览器(Chrome/Firefox等)直接使用 灵活导出:标注数据可保存为JSON/CSV格式 简单高效:界面直观,支持批量上传和多种标注类型 使用步骤: 访问官网启动VIA 上传图像并选择标注工具 添加标签后导出数据 VIA适合小规模数据集标注,相比LabelImg等工具更轻量且开源免费。适用于学术研究及 阅读详情

相关推荐

开源工程 - PyTorch开源图像分类算法框架 PIM

PyTorch的开源图像分类算法框架pytorch-image-models,功能完善,集成大量数据增强方法和主流的网络框架,同时易用。

AGI 3554

重磅开源! 9 个 yyds 图像识别模型

人脸、车辆、人体属性、卡证、交通标识等经典图像识别能力,在我们当前数字化工作及生活中发挥着极其重要的作用。业内也不乏顶尖公司提供的可直接调用的API、SDK,但这些往往面临着定制化场景泛化效果不好、价格昂贵、黑盒可控性低、技术壁垒难以形成多诸多痛点。而今天小编要给大家推荐的是一个完全开源免费的、覆盖人、车、OCR等9大经典识别场景、在CPU上可3毫秒实现急速识别、一行代码...

公众号:逛逛GitHub 8403

OpenCV-Python实战(18)——深度学习简介与入门示例

深度学习已经成为机器学习中最受欢迎和发展最快的领域。自 2012 年深度学习性能超越机器学习等传统方法以来,深度学习架构开始快速应用于包括计算机视觉在内的众多领域。深度学习的常见应用包括语音识别、图像识别、自然语言处理、推荐系统等等。在本文中,首先介绍传统机器学习方法与深度学习间的差异,然后将介绍图像分类和对象检测中常见的深度学习架构,最后,将介绍深度学习 Python 库 Keras,并通过实战来推开深度学习的大门。

盼小辉丶的博客 2万+

AI > 图像识别的开源项目列举

这些开源项目和示例代码提供了丰富的资源和实践机会,可以帮助你快速提升图像识别的能力。建议你选择一个感兴趣的项目开始,先了解其基本概念和算法,然后逐步阅读和实践示例代码,探索其中的细节和技术。TensorFlow Models:TensorFlow Models 是一个由 TensorFlow 团队维护的开源项目,提供了许多经典的图像识别模型的实现代码。你可以探索 OpenCV 的官方示例和文档,并尝试使用它进行基本的图像处理任务,如边缘检测、图像平滑、特征提取等。抖动的声音:dilo_Abel。

DL_62532的专栏 4156

还在手敲LaTeX公式?用Rime小狼毫打造你的专属数学输入法(附完整配置包)

本文介绍如何利用Rime小狼毫输入法引擎打造专属数学公式输入方案,显著提升LaTeX公式输入效率。通过详细配置教程和智能补全技巧,帮助科研人员和学生实现3-5倍的输入速度提升,特别适合学术写作和技术文档创作场景。

weixin_32520601的博客 284

实测对比:同步 vs 异步 DCDC,轻载时哪个更‘吵’?效率差多少?(以MP1601为例)

本文通过实测对比MP1601同步与异步DCDC在轻载工况下的噪声与效率表现,揭示异步整流在轻载时产生高频振铃的问题,而同步整流则提供更稳定的波形。测试数据显示,轻载下异步方案效率略高,但同步方案在EMI性能上优势明显,为工程选型提供重要参考。

weixin_30904593的博客 303

Github star 3.5k,人、车、OCR等9大图像识别模型全开源!!

人脸、车辆、人体属性、卡证、交通标识等经典图像识别能力,在我们当前数字化工作及生活中发挥着极其重要的作用。业内也不乏顶尖公司提供的可直接调用的API、SDK,但这些往往面临着定制化场景泛化效果不好、价格昂贵、黑盒可控性低、技术壁垒难以形成多诸多痛点。而今天小编要给大家推荐的是一个完全开源免费的、覆盖人、车、OCR等9大经典识别场景、在CPU上可3毫秒实现急速识别、一行代码...

zandaoguang的博客 4025

AI编程实战:用Spec Coding与Codex半小时重构全栈项目

这次我们来看一个能显著提升全栈开发效率的实战方法:利用 AI 编程工具 Codex 和 Spec Coding 工作流,将原本需要数周甚至一个月的全栈项目重构工期,压缩到半小时级别。这不是概念探讨,而是基于现有工具链的、可立即上手的工程实践。 对于前端开发者或全栈工程师而言,面对老旧项目重构、技术栈升级或从零搭建新项目时,最大的痛点往往是重复性、模式化的代码编写工作。手动编写 CRUD 接口、页面组件、状态管理和联调测试,耗时费力且容易出错。而 AI 辅助编程的核心价值,正是在于将开发者从这些“体力活”中解

weixin_33525298的博客 291

推荐!最适合初学者的18个经典开源计算机视觉项目

英语原文:18 All-Time Classic Open Source Computer Vision Projects for Beginners 翻译:雷锋字幕组(小哲) 概述 开源计算机视觉项目是在深度学习领域中获得一席之地的绝佳路径 开始学习这18个非常受欢迎的经典开源计算机视觉项目 引言 计算机视觉的应用现在无处不在。 老实说,我已经不记得上次一整天没有遇到或者没有与至少一样计算机视觉使用样例进行交互时什么时候了(手机上的人脸识别) 但是有一件事情就是 一 想要学习计

喜欢打酱油的老鸟 5146

智能客服系统知识库构建:长尾问题解决方案全解析

智能客服系统知识库构建:长尾问题解决方案全解析

嗨,欢迎来到我的 优快云 博客小天地!一名深耕多年的技术发烧友。在这里,我将把日常工作中积累的宝贵经验,从复杂架构设计的精妙之处,到代码优化的实战技巧,毫无保留地分享给大家。 4112

基于LSTM算法的股票预测详解

一、需求 给定几个已知的股市因素(开盘、收盘、最高、最低、成交量、成交额)及各因素对应的大量数据,训练一个该股票的涨跌趋势的预测模型。并在给定的测试数据的条件下求出接下来的涨跌趋势。即得到下图中的label值。-1代表跌、1代表涨。 二、分析 1、LSTM简单介绍 LSTM这个算法是专门训练有时间序列信息的数据的,即这些数据不仅按照时间递增的顺序排布,并且前后的数据都有着很强的联系。个人认为与马尔可夫的思想差不多,即后面的值由前面的值来决定。本次需求是要根据已知的股市数据来分析某个时间段的涨跌趋势,并预测

Zhang_713的博客 1万+

18个面向初学者的经典开源计算机视觉项目-图像分类篇(一)

18个经典开源计算机视觉项目分为以下几类: 图像分类 人脸识别 用GANs进行神经风格转换 场景文本检测 基于DETR的目标检测 语义分割 自动驾驶车辆的车道检测 图像字幕 人体姿势估计项目 基于面部表情的情绪识别 今天主要给大家介绍一下,图像分类: 用于图像分类的开源计算机视觉项目图像分类是计算机视觉中的一项基本任务。在这里,目标是通过为图像指定特定标签来对图像进行分类。我们人类很容易理解和分类我们看到的图像。但对于一台机器来说情况就大不相同了。对机器来说,区分汽车和大象是一项繁重

CSS360的博客 2393

基于STM32F103C8T6的红外循迹避障小车

编程思路:控制核心板IO口的电平(即电机驱动模块的AIN1,AIN2,BIN1,BIN2)从而控制AO1、AO2、BO1、BO2的电平高低,进而控制电机使其正转、反转、不转。由于单纯地拉高拉低电平只能让电机在转与不转的状态切换,故决定利用TIM4的两个通道分别产生两路PWM信号来控制电机速度,四个电机两个一组,同一侧的两个连接在同一个PWM上。(#include "dianji.h"文件中同时写了对循迹模块引脚的初始化)

weixin_48743503的博客 1万+

coco数据集80个分类是哪些_推荐!最适合初学者的18个经典开源计算机视觉项目...

字幕组双语原文:推荐!最适合初学者的18个经典开源计算机视觉项目英语原文:18 All-Time Classic Open Source Computer Vision Projects for Beginners翻译:雷锋字幕组(小哲)概述开源计算机视觉项目是在深度学习领域中获得一席之地的绝佳路径开始学习这18个非常受欢迎的经典开源计算机视觉项目引言计算机视觉的应用现在无处不在。 老实说,我已经...

weixin_39759589的博客 2032

自顶向下与自底向上编程思想的对比

一、核心定义与本质差异自顶向下编程思想如同绘制一幅完整的地图,从整体轮廓逐步细化到局部细节。其本质是从系统的整体目标出发,通过逐层分解将复杂问题简化为可实现的子问题,强调先定义 “做什么”,再考虑 “如何做”。自底向上编程思想则类似于搭建积木,从基础组件开始逐步构建复杂系统。其本质是从现有资源和基础功能出发,通过组合和扩展简单组件来实现复杂功能,强调先解决 “如何做” 的细节,再整合为 “做什么” 的整体。二、设计起点与逻辑流程对比设计起点:以系统的整体目标和业务需求为起点。例如设计一个电商平台,首先明确

二进制君 839

Android框架WiFi架构

动平台,它主要是用来支持WEP,WPA/WPA2和WAPI无线协议和加密认证的,而实际上工作内容是通过socket(不管是wpa_supplicant与上层还是wpa_spplicant与驱动都采用socket通讯)与驱动交互上报数据给用户,而用户可以通过socket发送命令给wpa_supplicant调试来对wifi芯片操作,简单的说,二、android wifi 系统架构:andtoid wifi 系统引入了wpa_supplicant,它的整个wifi系统。

手机-手表蓝牙开发工程师的博客 3460

18个面向初学者的经典开源计算机视觉项目-图像分类篇Inception(三)

在研究这篇文章时,有一点很清楚。2014年是发展真正流行的图像分类预训练模型的标志性一年。尽管上述VGG-16在当年的ILSVRC中排名第二,但排名第一的不是别人,正是谷歌——通过它的GoogLeNet或Inception。 最初的论文提出了Inceptionv1模型。在只有700万个参数的情况下,即比当时流行的模型(如VGG和AlexNet)小得多,再加上较低的错误率,你就可以看出为什么它是一个突破性的模型。不仅如此,本文的主要创新也是另一个突破—Inception模块。 简单来说,Inception

CSS360的博客 434

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

18个面向初学者的经典开源计算机视觉项目-图像分类篇Inception(三)

在研究这篇文章时,有一点很清楚。2014年是发展真正流行的图像分类预训练模型的标志性一年。尽管上述VGG-16在当年的ILSVRC中排名第二,但排名第一的不是别人,正是谷歌——通过它的GoogLeNet或Inception。最初的论文提出了Inceptionv1模型。在只有700万个参数的情况下,即比当时流行的模型(如VGG和AlexNet)小得多,再加上较低的错误率,你就可以看出为什么它是一个突...

CSS360的博客 270

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

[Python] 计算机视觉-图像分类经典模型

LeNet模型使用的激活函数是Sigmoid函数,优化器采用Momentum。AlexNet模型使用的激活函数是ReLU函数,优化器是Adam。上述结构是针对手写数字识别任务而设计。二、AlexNet模型。

moment8aVry的博客 3182

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

pytorch-image-classification:使用PyTorch进行图像分类

pytorch-image-classification:使用PyTorch进行图像分类 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 图像分类是计算机视觉领域的一项基础任务,它旨在识别和分类图像中的对象。pytorch-image-classification 是一个开源项目,它提供了一个基于 PyTorch 框架的图像分类示例。该项目利用自定义的数据集,包含 43...

gitblog_06739的博客 319

5分钟快速上手CIFAR-10预训练模型:图像分类的终极解决方案

还在为图像分类任务而烦恼吗?PyTorch CIFAR-10预训练模型项目为你提供了完整的CIFAR-10图像分类解决方案。这个开源项目基于PyTorch框架,专门为CIFAR-10数据集优化了多种主流CNN模型,让你能够快速构建高效的图像识别系统,无需从头训练。 ## 🎯 项目价值定位:为什么选择CIFAR-10预训练模型? CIFAR-10数据集是深度学习领域的标准基准测试集,包含10个

gitblog_00935的博客 1073

TinyVision 开源项目最佳实践教程

TinyVision 开源项目最佳实践教程 1. 项目介绍 TinyVision 是一个基于深度学习的计算机视觉开源项目,旨在为研究人员和开发者提供一套轻量级、易于使用的视觉识别工具。它包含了从图像分类到目标检测等多种视觉任务,并且支持多种深度学习框架,如 PyTorch 和 TensorFlow。 2. 项目快速启动 环境准备 在开始之前,请确保您的系统中已经安装了以下依赖: Python 3...

gitblog_00488的博客 303

深度学习模型宝库:imgclsmob - 图像分类与计算机视觉的终极指南

imgclsmob是一个强大的深度学习模型集合库,专门用于计算机视觉任务的研究和开发。这个开源项目汇集了多种先进的图像分类、语义分割、目标检测和人体姿态估计模型,支持多个主流深度学习框架,是机器学习爱好者和研究人员的理想选择。 ## 🚀 项目核心价值与特色 imgclsmob最吸引人的地方在于它的全面性和易用性。项目包含了从经典的AlexNet到最新的EfficientNet等超过200种预

gitblog_00024的博客 565

Claude-Trading-Skills股息投资SOP:kanchi-dividend-sop五步法落地美股完整指南

Claude-Trading-Skills 是一个面向股票投资者与交易者的 Claude Code 技能库,其中的 `kanchi-dividend-sop` 技能把日本投资者 Kanchi(かんち)的股息投资五步法,转译成一套可重复执行的**美股股息选股标准作业流程(SOP)**:从股息率筛选、安全性检验、估值判断,到一次性收益过滤与回调买入计划,全程机械化、可审计、不靠手感。 [![Clau

gitblog_01063的博客 365

ResNet18快速入门:Python调用完整示例

本文详细介绍了如何基于TorchVision 官方 ResNet-18 模型构建一个稳定、高效、可视化的通用图像分类系统。✅高稳定性:直接调用官方库,杜绝“模型不存在”等异常。✅离线可用:内置权重,无需联网授权,适合私有化部署。✅极速推理:CPU 上单次识别仅需几十毫秒,满足实时需求。✅场景理解能力强:不仅能识物,还能理解复杂场景(如“滑雪场”、“雪山”)。✅完整 WebUI:提供友好的交互界面,支持上传与结果展示。

weixin_42594427的博客 1061

计算机视觉实战详解:从基础到前沿

引言: 计算机视觉是人工智能领域中最激动人心的分支之一。它赋予机器以"眼睛",使其能够理解和处理视觉信息。本专栏旨在带领读者从基础知识出发,逐步深入计算机视觉的核心概念和实际应用,最终掌握前沿技术。无论您是初学者还是有一定基础的开发者,这个专栏都将为您提供宝贵的理论知识和实战经验。 1. 计算机视觉基础 1.1 图像处理基础 图像是计算机视觉的基本单元。在数字世界中,图像被表示为像素矩阵。每个像素包含颜色信息,通常用RGB(红绿蓝)值表示。了解图像的数字表示是进行后续处理的关键。 主要概念: 像素和分辨率

a871923942的博客 1580
上一篇: 18个面向初学者的经典开源计算机视觉项目-图像分类篇(一)
下一篇: pytorch 复制、粘贴、替换Model某一层的训练参数
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值