这篇文章会讲解如何制作能够分类120种小狗的图像分类器。
这篇文章中所讲述的内容都是基于colab notebook和fastai技术的深度学习的应用。
- 为什么使用colab？
- 使用colab的好处是，你不需要有任何显卡GPU，colab中提供了一块免费的k80带12G显存的GPU
- colab是google提供的一个免费的Jupyter notebook的环境，可以省去安装它的功夫
- 为什么使用fastai？
- fastai是一种超级简洁的深度学习工具，代码上甚至比当前Keras还要简洁。
- 底层是pytorch，能够提供高速的处理性能。
和之前文章中的两个物种（猫和狗）的分类略有不同，这次使用的数据集全部是狗，需要把这些狗分到不同的类别中。也就是说，图片之间特征的区别的差异要比之前猫和狗分类的来的更加细微。
好吧，接下来我们看看如何动手制作。
1.在colab的作业本中配置fastai的环境
!curl https://course.fast.ai/setup/colab | bash
2.导入fastai包
from fastai import *
from fastai.vision import *
3.加载kaggle.json
这里我们准备从kaggle下载所需要的狗的数据集，如果你可以从其他地方得到数据集，那么可以省略步骤3和4，按照自己的方法在环境中导入数据集即可。
!mkdir /content/.kaggle/
!mkdir /content/data/dogsbreed/
PATH = "/content/data/dogsbreed/"
from google.colab import files
# load from upload dialog
uploaded = files.upload()
for fn in uploaded.keys():
with open(f'/content/.kaggle/{fn}', 'wb') as f:
f.write(uploaded[fn])
4.安装kaggle环境
!chmod 600 /content/.kaggle/kaggle.json
!pip install kaggle
!cp /content/.kaggle/kaggle.json ~/.kaggle/kaggle.json
!kaggle config set -n path -v{/content}
import kaggle
!kaggle competitions download -p /content/data/dogsbreed/ dog-breed-identification
从结果中可以看到，我们已经从kaggle成功的下载了数据集文件。
5.验证GPU
torch.cuda.is_available()
#True
torch.backends.cudnn.enabled
#True
6.解压缩文件
! cd /content/data/dogsbreed && unzip labels.csv.zip
! cd /content/data/dogsbreed && unzip sample_submission.csv.zip
! cd /content/data/dogsbreed && unzip test.zip
! cd /content/data/dogsbreed && unzip train.zip
7.读取label.csv
labels_df=pd.read_csv(f'{PATH}labels.csv')
labels_df.head()
这里我们可以看到labels.csv中的前五条数据
8.查看狗的类别
labels_df.pivot_table(index='breed',aggfunc=len).sort_values('id',ascending=False)
这里可以看到一共有120行数据，也就是120种狗的类别，以及每种类别里面有多少条数据。
9.加载数据集并显示
data = ImageDataBunch.from_csv(
PATH,
folder='train',
valid_pct=0.2,
ds_tfms=get_transforms(),
size=224,
test='test',
suffix='.jpg',
bs=64).normalize(imagenet_stats)
data.show_batch(rows=3, figsize=(10,12))
如果一切顺利，这里会显示出9张狗的图片，并且图片上方会显示相应的狗的类别。
如果只显示了图片，而图片上的标签不是类别的话，那说明数据导入部分存在问题。
OK，我们继续下一步。
10.下载与训练模型并微调
learner = create_cnn(data,models.resnet101,metrics=[accuracy])
learner.fit_one_cycle(10)
这里我们设置了10个epoch，会稍微花费点时间大约40分钟。
可以看到，在最后一个epoch时候，我们的精度在89%。当然我们还可以继续调优：）
或者直接从零开始对每一层权重的训练，这都是可以的。
到这里我们就已经成功的完成了一个120种狗狗的图片分类器的制作啦，怎么样？是不是很简单？希望这篇文章可以给每一个前来阅读的朋友带来收获，对深度学习，图像分类有一个直接的体会。
如果有问题，欢迎来评论区留言讨论^^
相关文章：
在图像分类中如何使用一行代码提升逼格
Image classification with FastAI0.7, Colab and Python3(Dogs&Cats)
Image classification with FastAI1.0.x, Colab and Python3(Dogs&Cats)
网友评论