- 整体数据探测
- 分析数据不同类别分布
- 分析图片长宽比例分布
- 切分数据集和验证集
- 数据可视化展示（可视化工具 pyecharts,seaborn,matplotlib)
├── app_WSL-Images_resnext.py
├── app_garbage.py
├── args.py
├── checkpoint
│ ├── checkpoint.pth.tar
│ ├── garbage_resnext101_model_9_9547_9588.pth
│ └── resnext101_16d_log_iter10_cuda.txt
├── data
│ ├── ImageNet1k_label.txt
│ ├── class.txt
│ ├── garbage-classify-for-pytorch
│ ├── garbage_label.txt
│ ├── train1.txt
│ └── val1.txt
|
├── garbage-classification-using-pytorch.py
├── json_utils.py
├── model.py
├── models
│ ├── alexnet.py
│ ├── densenet.py
│ ├── inception.py
│ ├── resnet.py
│ ├── squeezenet.py
│ └── vgg.py
├── preprocess
├── transform.py
├── utils
│ ├── eval.py
│ ├── json_utils.py
│ ├── logger.py
│ └── misc.py
- pre_trained_model resnext101 网络架构原理
- 基于pytorch 数据处理、resnext101 模型分类预测
- 在线服务API 接口
python garbage-classification-using-pytorch.py
--model_name resnext101_32x16d
--lr 0.001
--optimizer adam
--start_epoch 1
--epochs 2
--num_classes 4
- model_name 模型名称
- lr 学习率
- optimizer 优化器
- start_epoch 训练过程断点重新训练
- num_classes 分类个数
python garbage-classification-using-pytorch.py
--model_name resnext101_32x16d
--evaluate
--resume checkpoint/checkpoint.pth.tar
--num_classes 4
- model_name 模型名称
- evaluate 模型评估
- resume 指定checkpoint 文件路径，保存模型以及训练过程参数
python app_garbage.py
--model_name resnext101_32x16d
--resume checkpoint/garbage_resnext101_model_9_9547_9588.pth
- model_name 模型名称
- resume 训练模型文件路径
- 模型预测
命令行验证和postman 方式验证
举例说明：命令行模式下预测
curl -X POST -F file=@cat.jpg http://ip:port/predict