【Week-P8】YOLOv5-C3模块实现天气识别

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊 | 接辅导、项目定制

说明：
（1）本次学习着重学习YOLO-C3模块，并比较不同数量下的C3模块对训练结果的test_acc有何影响；
（2）注意：

• 模型每增加一个C3模块，forward()函数内部也同步增加一个C3模块；这是因为init里是定义，forward是调用；
• 每次的训练情况在本文的【总结】部分有详细说明。

一、环境配置

● 语言环境：Python3.7.8
● 编译器：VSCode
● 数据集：天气识别数据集
● 深度学习环境：Pytorch
○ torch 1.13.1
○ torchvision 0.14.1
○ torchsummary 1.5.1

# Yolo-C3模块学习
import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warnings

warnings.filterwarnings("ignore")             #忽略警告信息

print("--------------------------1. 配置环境------------------------")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print("Device: ", device)

二、准备数据

2.1 打印classeNames列表，显示每个文件所属的类别名称
2.2 打印归一化后的类别名称，0或1
2.3 划分数据集，划分为训练集&测试集，torch.utils.data.DataLoader()参数详解
2.4 检查数据集的shape

print("--------------------------2.1 导入本地数据------------------------")
import os,PIL,random,pathlib
data_dir = 'D:/jupyter notebook/DL-100-days/datasets/P3-天气识别/weather_photos/'
data_dir = pathlib.Path(data_dir)

data_paths  = list(data_dir.glob('*'))
classeNames = [str(path).split("\\")[5] for path in data_paths]
print("classesName: ", classeNames)

print("--------------------------2.2 数据集归一化------------------------")
# 关于transforms.Compose的更多介绍可以参考：https://blog.youkuaiyun.com/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    # transforms.RandomHorizontalFlip(), # 随机水平翻转
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛
        mean=[0.485, 0.456, 0.406], 
        std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

test_transform = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛
        mean=[0.485, 0.456, 0.406], 
        std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

total_data = datasets.ImageFolder("D:/jupyter notebook/DL-100-days/datasets/P3-天气识别/weather_photos/",transform=train_transforms)
print("tota_data: ", total_data)
print("class_to_idx: ", total_data.class_to_idx)

print("--------------------------2.3 划分数据集------------------------")
train_size = int(0.8 * len(total_data))
test_size  = len(total_data) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])
print("train_dataset: ", train_dataset)
print("test_dataset: ", test_dataset)

batch_size = 4
train_dl = torch.utils.data.DataLoader(train_dataset,
                                           batch_siz