有了域名怎么建设网站,Ie8网站后台编辑文章,黄页88怎么设置关键词,游戏网站开发实验报告目录
1. Shufflenet V2
2. 甲状腺结节检测
2.1 数据集
2.2 训练参数
2.3 训练结果
2.4 可视化网页推理
3. 下载 1. Shufflenet V2
shufflenet v2 论文中提出衡量轻量级网络的性能不能仅仅依靠FLOPs计算量#xff0c;还应该多方面的考虑#xff0c;例如MAC(memory acc…目录
1. Shufflenet V2
2. 甲状腺结节检测
2.1 数据集
2.2 训练参数
2.3 训练结果
2.4 可视化网页推理
3. 下载 1. Shufflenet V2
shufflenet v2 论文中提出衡量轻量级网络的性能不能仅仅依靠FLOPs计算量还应该多方面的考虑例如MAC(memory access cost)还应该比较在不同的硬件设备下的性能等等 因此基于多方面的考虑。shufflenet v2 通过大量的实验和测试总结了轻量化网络的四个准则然后根据这四条准则搭建了shufflenet v2网络 输入输出通道个数相同的时候内存访问量MAC最小分组卷积的分组数过大会增加MAC碎片化操作会并行加速并不友好element-wise 操作带来的内存和耗时不可以忽略
每条原则的具体解释参考ShuffleNet V2 迁移学习对花数据集训练_shufflenetv2进行预训练的效果-CSDN博客 2. 甲状腺结节检测
Shufflenet V2 实现的model部分代码如下面所示这里如果采用官方预训练权重的话会自动导入官方提供的最新版本的权重 这里提供了4种网络结构分别对应output channels参数 2.1 数据集
数据集文件如下 标签如下
{0: 0,1: 1
}
其中训练集的总数为5103验证集的总数为2185 2.2 训练参数
训练的参数如下 parser.add_argument(--model, defaultx0_5, typestr,helpx0_5,x1_0,x1_5,x2_0)parser.add_argument(--pretrained, defaultTrue, typebool) # 采用官方权重parser.add_argument(--freeze_layers, defaultTrue, typebool) # 冻结权重parser.add_argument(--batch-size, default8, typeint)parser.add_argument(--epochs, default10, typeint)parser.add_argument(--optim, defaultSGD, typestr,helpSGD,Adam,AdamW) # 优化器选择parser.add_argument(--lr, default0.01, typefloat)parser.add_argument(--lrf,default0.001,typefloat) # 最终学习率 lr * lrfparser.add_argument(--save_ret, defaultruns, typestr) # 保存结果parser.add_argument(--data_train,default./data/train,typestr) # 训练集路径parser.add_argument(--data_val,default./data/val,typestr) # 测试集路径 需要注意的是网络分类的个数不需要指定摆放好数据集后代码会根据数据集自动生成 网络模型信息如下
{train parameters: {model: x0_5,pretrained: true,freeze_layers: true,batch_size: 8,epochs: 10,optim: SGD,lr: 0.01,lrf: 0.001,save_folder: runs},dataset: {trainset number: 5103,valset number: 2185,number classes: 2},model: {total parameters: 343842.0,train parameters: 2050,flops: 43550112.0}, 2.3 训练结果
所有的结果都保存在 save_ret 目录下这里是 runs weights 下有最好和最后的权重在训练完成后控制台会打印最好的epoch 这里只展示部分结果可以看到网络没有完全收敛增大epoch会得到更好的效果 训练日志 epoch:9: {train info: {accuracy: 0.6607877718975881,0: {Precision: 0.6989,Recall: 0.4334,Specificity: 0.8471,F1 score: 0.535},1: {Precision: 0.646,Recall: 0.8471,Specificity: 0.4334,F1 score: 0.733},mean precision: 0.67245,mean recall: 0.64025,mean specificity: 0.64025,mean f1 score: 0.634},valid info: {accuracy: 0.5711670480523059,0: {Precision: 0.5455,Recall: 0.2866,Specificity: 0.8043,F1 score: 0.3758},1: {Precision: 0.5791,Recall: 0.8043,Specificity: 0.2866,F1 score: 0.6734},mean precision: 0.5623,mean recall: 0.54545,mean specificity: 0.54545,mean f1 score: 0.5246}} 训练集和测试集的混淆矩阵 2.4 可视化网页推理
推理是指没有标签只有图片数据的情况下对数据的预测这里使用了网页推理
值得注意的是如果训练了自己的数据集需要对infer脚本进行更改如下 都需要绝对路径这个是代码自动生成的类别文件在runs下IMAGE_PATH 是默认展示的demo图片位置 在控制台输入下面命令即可
streamlit run D:\project\shufflenetV2\infer.py 3. 下载
关于本项目代码和数据集、训练结果的下载
计算机视觉项目计算机视觉项目ShufflenetV2模型实现的图像识别项目甲状腺结节识别资源-CSDN文库 关于Ai 深度学习图像识别、医学图像分割改进系列AI 改进系列_听风吹等浪起的博客-CSDN博客
神经网络改进完整实战项目改进系列_听风吹等浪起的博客-CSDN博客
