go 是做网站的吗,企业公众号申请注册,莱芜论坛莱芜都市网,泰安网站制作1 2023 年 MathorCup 高校数学建模挑战赛——大数据竞赛
赛道 A#xff1a;基于计算机视觉的坑洼道路检测和识别 使用深度学习模型#xff0c;pytorch版本进行图像训练和预测#xff0c;使用ResNet50模型
2 文件夹预处理
因为给定的是所有图片都在一个文件夹里面#xf…1 2023 年 MathorCup 高校数学建模挑战赛——大数据竞赛
赛道 A基于计算机视觉的坑洼道路检测和识别 使用深度学习模型pytorch版本进行图像训练和预测使用ResNet50模型
2 文件夹预处理
因为给定的是所有图片都在一个文件夹里面所以需要先进行处理核心代码
for file_name in file_names:source_path os.path.join(source_folder, file_name)# 判断文件名中是否包含a字符if normal in file_name:# 如果包含a字符将文件移动到文件夹Adestination_path os.path.join(folder_normal, file_name)shutil.copy(source_path, destination_path)elif potholes in file_name:# 如果包含bb字符将文件移动到文件夹BBdestination_path os.path.join(folder_potholes, file_name)shutil.copy(source_path, destination_path)移动后的图片所在文件夹显示 每个文件夹里面包含属于这一类的图片 3 使用ResNet50模型进行建模
3.1 ResNet50核心原理
输入层: 接收输入图像 卷积层1:对输入图像进行卷积操作得到64个特征图批量标准化层1:对卷积层的输出进行批量标准化ReLU激活函数1:对批量标准化后的特征图进行非线性激活残差块1:包含两个残差块每个残差块由两个卷积层和一个批量标准化层组成ReLU激活函数2:对残差块1的输出进行非线性激活批量标准化层2:对ReLU激活函数2的输出进行批量标准化。卷积层2:对批量标准化后的特征图进行卷积操作得到128个特征图残差块2:包含两个残差块每个残差块由两个卷积层和一个批量标准化层组成ReLU激活函数3:对残差块2的输出进行非线性激活批量标准化层3:对ReLU激活函数3的输出进行批量标准化。卷积层3:对批量标准化后的特征图进行卷积操作得到256个特征图 3.2 核心代码
3.2.1 数据预处理
数据预处理归一化
transform T.Compose([T.Resize(256),T.CenterCrop(224),T.ToTensor(),T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]),])3.2.2 训练集和测试集划分
# 划分数据集为训练集和测试集
validation_split 0.2
dataset_size len(custom_dataset)
split int(validation_split * dataset_size)
indices list(range(dataset_size))
np.random.shuffle(indices)
train_indices, test_indices indices[split:], indices[:split]train_sampler SubsetRandomSampler(train_indices)
test_sampler SubsetRandomSampler(test_indices)# 创建数据加载器
batch_size 128
train_loader DataLoader(custom_dataset, batch_sizebatch_size, samplertrain_sampler)
test_loader DataLoader(custom_dataset, batch_sizebatch_size, samplertest_sampler)3.2.3 加载模型
from torchvision import models
model models.resnet50(pretrainedTrue) # 导入resnet50网络# 修改最后一层最后一层的神经元数目类别数目所以设置为100个
model.fc torch.nn.Linear(in_features2048, out_features2)3.2.4 训练 train Variable(images).cuda()labels Variable(labels).cuda()# 梯度清零optimizer.zero_grad()# 前向计算outputs model(train)predicted torch.max(outputs.data, 1)[1] # 预测标签acc (predicted labels).sum() / float(len(labels)) # 计算精度loss error(outputs, labels) # 计算损失函数# 计算梯度loss.backward()# 更新梯度optimizer.step()train_loss_list.append(loss.data.cpu().item())train_acc_list.append(acc.cpu().item())3.2.5 模型预测
遍历测试数据集 with torch.no_grad():for inputs, labels in test_loader:inputs Variable(inputs).cuda()labels Variable(labels).cuda()outputs model(inputs)_, predicted torch.max(outputs, 1) # 获取预测标签true_labels.extend(labels.cpu().numpy()) # 将真实标签添加到列表predicted_labels.extend(predicted.cpu().numpy()) # 将预测标签添加到列表4 结果显示
要输出精度、F1 分数和分类报告等多种指标你可以在训练模型之后使用Scikit-Learn的工具来进行评估和计算这些指标。
train data: 0 Loss: 0.1588 Accuracy: 0.9143
Accuracy: 0.9833333333333333
Precision: 0.9857142857142857
Recall: 0.9833333333333333
F1 Score: 0.9838964773544213
Classification Report:precision recall f1-score support0 1.00 0.98 0.99 541 0.86 1.00 0.92 6accuracy 0.98 60macro avg 0.93 0.99 0.96 60
weighted avg 0.99 0.98 0.98 60完整代码https://docs.qq.com/doc/DWEtRempVZ1NSZHdQ
