使用PyTorch训练与评估自己的AlexNet网络教程

前言

项目地址：https://github.com/Fafa-DL/Awesome-Backbones

视频手把手教程：https://www.bilibili.com/video/BV1SY411P7Nd

AlexNet原论文：点我跳转

1. 数据集制作

1.1 标签文件制作

• 将项目代码下载到本地
  

• 本次演示以花卉数据集为例，目录结构如下：

├─flower_photos
│  ├─daisy
│  │      100080576_f52e8ee070_n.jpg
│  │      10140303196_b88d3d6cec.jpg
│  │      ...
│  ├─dandelion
│  │      10043234166_e6dd915111_n.jpg
│  │      10200780773_c6051a7d71_n.jpg
│  │      ...
│  ├─roses
│  │      10090824183_d02c613f10_m.jpg
│  │      102501987_3cdb8e5394_n.jpg
│  │      ...
│  ├─sunflowers
│  │      1008566138_6927679c8a.jpg
│  │      1022552002_2b93faf9e7_n.jpg
│  │      ...
│  └─tulips
│  │      100930342_92e8746431_n.jpg
│  │      10094729603_eeca3f2cb6.jpg
│  │      ...

• 在Awesome-Backbones/datas/中创建标签文件annotations.txt，按行将类别名 索引写入文件；

daisy 0
dandelion 1
roses 2
sunflowers 3
tulips 4

1.2 数据集划分

• 打开Awesome-Backbones/tools/split_data.py
• 修改原始数据集路径以及划分后的保存路径，强烈建议划分后的保存路径datasets不要改动，在下一步都是默认基于文件夹进行操作

init_dataset = 'A:/flower_photos'
new_dataset = 'A:/Awesome-Backbones/datasets'

• 在Awesome-Backbones/下打开终端输入命令：

python tools/split_data.py

• 得到划分后的数据集格式如下：

├─...
├─datasets
│  ├─test
│  │  ├─daisy
│  │  ├─dandelion
│  │  ├─roses
│  │  ├─sunflowers
│  │  └─tulips
│  └─train
│      ├─daisy
│      ├─dandelion
│      ├─roses
│      ├─sunflowers
│      └─tulips
├─...

1.3 数据集信息文件制作

• 确保划分后的数据集是在Awesome-Backbones/datasets下，若不在则在get_annotation.py下修改数据集路径；

datasets_path   = '你的数据集路径'

• 在Awesome-Backbones/下打开终端输入命令：

python tools/get_annotation.py

• 在Awesome-Backbones/datas下得到生成的数据集信息文件train.txt与test.txt

2. 修改参数文件

• 每个模型均对应有各自的配置文件，保存在Awesome-Backbones/models下
• 由backbone、neck、head、head.loss构成一个完整模型
• 找到AlexNet参数配置文件
  
• 在model_cfg中修改num_classes为自己数据集类别大小
• 按照自己电脑性能在data_cfg中修改batch_size与num_workers
• 若有预训练权重则可以将pretrained_weights设置为True并将预训练权重的路径赋值给pretrained_weights
• 若需要冻结训练则freeze_flag 设置为True，可选冻结的有backbone, neck, head
• 在optimizer_cfg中修改初始学习率，根据自己batch size调试，若使用了预训练权重，建议学习率调小
• 学习率更新详见视频教程
• 更具体配置文件修改可参考配置文件解释

3. 训练

• 确认Awesome-Backbones/datas/annotations.txt标签准备完毕
• 确认Awesome-Backbones/datas/下train.txt与test.txt与annotations.txt对应
• 选择想要训练的模型，在Awesome-Backbones/models/下找到对应配置文件
• 按照配置文件解释修改参数
• 在Awesome-Backbones打开终端运行

python tools/train.py models/alexnet/alexnet_.py

4. 评估

• 确认Awesome-Backbones/datas/annotations.txt标签准备完毕
• 确认Awesome-Backbones/datas/下test.txt与annotations.txt对应
• 在Awesome-Backbones/models/下找到对应配置文件
• 在参数配置文件中修改权重路径，其余不变

ckpt = '你的训练权重路径'

• 在Awesome-Backbones打开终端运行

python tools/evaluation.py models/alexnet/alexnet_.py

• 单张图像测试，在Awesome-Backbones打开终端运行

python tools/single_test.py datasets/test/dandelion/14283011_3e7452c5b2_n.jpg models/mobilenet/mobilenet_v3_small.py