PyTorch框架——基于WebUI：Gradio深度学习ShuffleNetv2神经网络蔬菜图像识别分类系统

第一步：准备数据

蔬菜数据集，英文为Vegetable。

train 目录下有15000 张图片。

共十五种植物的幼苗图片集，分别为classes = ['Bean', 'Bitter_Gourd', 'Bottle_Gourd', 'Brinjal', 'Broccoli', 'Cabbage', 'Capsicum', 'Carrot', 'Cauliflower', 'Cucumber', 'Papaya', 'Potato', 'Pumpkin', 'Radish', 'Tomato' ]

具体信息如下：

第二步：搭建模型

ShuffleNet_V2是由旷视科技的Ma, Ningning等人在《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design【ECCV-2018】》【论文地址】一文中提出的改进模型，论文中提出了高效网络架构设计的两大原则：第一，使用直接指标(如速度)而非间接指标(如FLOPs)；第二，提出了四条与跨平台的设计指南，并在该指南指导下设计了ShuffleNet_V2

ShuffleNetV2的一些关键特点：

1. ‌优化的分组卷积‌：ShuffleNetV2使用了一种称为“channel split”的技术，将输入通道分成两半，分别进行不同的处理，然后合并结果以获得更好的性能‌1。

2. ‌自适应分组卷积‌：ShuffleNetV2根据输入数据动态调整分组数量，以实现更高的效率‌1。

3. ‌多尺度特征融合‌：引入了多尺度特征融合模块，以更好地捕捉不同尺度的特征‌1。

4. ‌通道剪枝‌：应用通道剪枝策略来进一步减少计算复杂度，同时保持准确性‌1。

5. ‌内存访问成本最小化‌：ShuffleNetV2试图最小化内存访问成本（MAC），通过精细调整组的数量和结构，找到了计算效率和模型性能之间的最佳平衡点‌2。

6. ‌直接面向实际运行速度的优化‌：在设计过程中，除了理论上的计算量（FLOPs）外，还直接考虑了模型在实际硬件上的运行速度，包括CPU和GPU的特定性能特征‌2。

7. ‌均衡通道宽度‌：保持每层网络的通道数相对均衡可以减少内存访问的开销，并且对模型性能影响不大‌2。

​

第三步：训练代码

1）损失函数为：交叉熵损失函数

2）ShuffleNet_V2代码：

from functools import partial
from typing import Any, Callable, List, Optional

import torch
import torch.nn as nn
from torch import Tensor

from ..transforms._presets import ImageClassification
from ..utils import _log_api_usage_once
from ._api import register_model, Weights, WeightsEnum
from ._meta import _IMAGENET_CATEGORIES
from ._utils import _ovewrite_named_param, handle_legacy_interface


__all__ = [
    "ShuffleNetV2",
    "ShuffleNet_V2_X0_5_Weights",
    "ShuffleNet_V2_X1_0_Weights",
    "ShuffleNet_V2_X1_5_Weights",
    "ShuffleNet_V2_X2_0_Weights",
    "shufflenet_v2_x0_5",
    "shufflenet_v2_x1_0",
    "shufflenet_v2_x1_5",
    "shufflenet_v2_x2_0",
]


def channel_shuffle(x: Tensor, groups: int) -> Tensor:
    batchsize, num_channels, height, width = x.size()
    channels_per_group = num_channels // groups

    # reshape
    x = x.view(batchsize, groups, channels_per_group, height, width)

    x = torch.transpose(x, 1, 2).contiguous()

    # flatten
    x = x.view(batchsize, num_channels, height, width)

    return x


class InvertedResidual(nn.Module):
    def __init__(self, inp: int, oup: int, stride: int) -> None:
        super().__init__()

        if not (1 <= stride <= 3):
            raise ValueError("illegal stride value")
        self.stride = stride

        branch_features = oup // 2
        if (self.stride == 1) and (inp != branch_features << 1):
            raise ValueError(
                f"Invalid combination of stride {stride}, inp {inp} and oup {oup} values. If stride == 1 then inp should be equal to oup // 2 << 1."
            )

        if self.stride > 1:
            self.branch1 = nn.Sequential(
                self.depthwise_conv(inp, inp, kernel_size=3, stride=self.stride, padding=1),
                nn.BatchNorm2d(inp),
                nn.Conv2