深度学习P8-YOLOv5-C3模块识别

 本文为365天深度学习训练营 中的学习记录博客
 原作者:K同学啊|接辅导、项目定制

我的环境:

1.语言:python3.7

2.编译器:pycharm

3.深度学习环境:

torch 1.8.0 + cu111

torchvision 0.9.0 + cu111


一、前期准备

1、设置GPU

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warnings

warnings.filterwarnings("ignore")             #忽略警告信息

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

cuda

2、导入数据  

import os,PIL,random,pathlib

data_dir = "E:\weather_photos"
data_dir = pathlib.Path(data_dir)

data_paths  = list(data_dir.glob('*'))
classeNames = [str(path).split("\\")[2] for path in data_paths]
print(classeNames)

使用pathlib.Path()函数将字符串类型的文件夹路径转换为pathlib.Path对象。接下来,使用glob方法获取data_dir路径下的所有文件路径,并将它们以列表形式存储在data_paths中。 通过对data_paths中每个文件路径执行split("\")操作,可以得到各个文件所属的类别名称,并将这些名称以列表形式存储在classeNames中。 最后,打印classeNames列表,显示每个文件所属的类别名称。 

['cloudy', 'rain', 'shine', 'sunrise'] 

# 关于transforms.Compose的更多介绍可以参考:https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    # transforms.RandomHorizontalFlip(), # 随机水平翻转
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor,并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正太分布(高斯分布),使模型更容易收敛
        mean=[0.485, 0.456, 0.406], 
        std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

test_transform = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor,并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正太分布(高斯分布),使模型更容易收敛
        mean=[0.485, 0.456, 0.406], 
        std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

total_data = datasets.ImageFolder("E:\weather_photos",transform=train_transforms)
total_data

transforms.Compose()用于构建数据预处理的操作序列。它可以将多个transform操作组合在一起,以便在数据加载和训练过程中应用这些操作。 

  1. transforms.Resize([224, 224]):将图像大小调整为指定的尺寸,这里是将图像的宽度和高度分别调整为224。

  2. transforms.ToTensor():将图像转换为张量形式,将像素值从0-255缩放到0-1之间。

  3. transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]):对图像进行归一化处理,通过减去均值(mean)再除以标准差(std),以使得图像在各个通道上的数值分布接近于标准正态分布。这里给出的均值和标准差是用于ImageNet数据集训练的经验值。

Dataset ImageFolder
    Number of datapoints: 1125
    Root location: E:\weather_photos
    StandardTransform
Transform: Compose(
               Resize(size=[224, 224], interpolation=bilinear)
               ToTensor()
               Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
           )
 

print(total_data.class_to_idx)

{'cloudy': 0, 'rain': 1, 'shine': 2, 'sunrise': 3} 

 3、划分数据集 

train_size = int(0.8 * len(total_data))
test_size  = len(total_data) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])
print(train_dataset)
print(test_dataset)

  train_size变量表示训练集大小,通过将总体数据长度的80%转换为整数得到;test_size变量则表示测试集大小,是总体数据长度减去训练集大小。

  使用torch.utils.data.random_split方法进行数据集划分。该方法将总体数据total_data按照指定的大小比例([train_size, test_size])随机划分为训练集和测试集,并将划分结果分别赋值给train_dataset和test_dataset两个变量。


batch_size = 4

train_dl = torch.utils.data.DataLoader(train_dataset,
                                           batch_size=batch_size,
                                           shuffle=True,
                                           )
test_dl = torch.utils.data.DataLoader(test_dataset,
                                          batch_size=batch_size,
                                          shuffle=True,
                                          )

batch_size = 4 表示每个批次加载的样本数量为4个,即每次训练或测试的时候都会同时处理4个样本。

train_dl = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=1) 创建了一个训练集的数据加载器。train_dataset是训练集的数据集对象,batch_size指定每个批次加载的样本数量,shuffle=True表示在每个epoch(整个训练集迭代一次)之前将训练集打乱顺序,num_workers=1表示使用一个线程来加载数据。同理test_dl创建了一个测试集的数据加载器。

for X, y in test_dl:
    print("Shape of X [N, C, H, W]: ", X.shape)
    print("Shape of y: ", y.shape, y.dtype)
    break

 使用了一个循环来遍历 test_dl 数据加载器对象。每次迭代都会返回一批输入图像 X 和对应的标签 y。第一个 print 语句显示了 X 的形状,预期为 [N, C, H, W]。这里,N 表示批量大小,C 表示通道数(通常为灰度图像为1或RGB图像为3),H 表示图像的高度,W 表示图像的宽度。第二个 print 语句显示了 y 的形状,表示标签的形状。此外,还显示了标签的数据类型(dtype)。break 语句用于在打印第一个批次的形状和数据类型信息后退出循环。

 Shape of X [N, C, H, W]:  torch.Size([4, 3, 224, 224])
Shape of y:  torch.Size([4]) torch.int64

X的形状为[N, C, H, W],其中N表示样本的数量,C表示通道数,H表示图像的高度,W表示图像的宽度。具体地,X的形状是torch.Size([4, 3, 224, 224])。

y的形状为torch.Size([4]),类型为torch.int64,代表了标签的值。其中32表示有32个样本的标签。

二、搭建包含C3模块的模型

1、搭建模型

import torch.nn.functional as F

def autopad(k, p=None):  # kernel, padding
    # Pad to 'same'
    if p is None:
        p = k // 2 if isinstance(k, int) else [x // 2 for x in k]  # auto-pad
    return p

class Conv(nn.Module):
    # Standard convolution
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super().__init__()
        self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)
        self.bn = nn.BatchNorm2d(c2)
        self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())

    def forward(self, x):
        return self.act(self.bn(self.conv(x)))

class Bottleneck(nn.Module):
    # Standard bottleneck
    def __init__(self, c1, c2, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, shortcut, groups, expansion
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_, c2, 3, 1, g=g)
        self.add = shortcut and c1 == c2

    def forward(self, x):
        return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))

class C3(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # act=FReLU(c2)
        self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))

    def forward(self, x):
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim=1))

class model_K(nn.Module):
    def __init__(self):
        super(model_K, self).__init__()
        
        # 卷积模块
        self.Conv = Conv(3, 32, 3, 2) 
        
        # C3模块1
        self.C3_1 = C3(32, 64, 3, 2)
        
        # 全连接网络层,用于分类
        self.classifier = nn.Sequential(
            nn.Linear(in_features=802816, out_features=100),
            nn.ReLU(),
            nn.Linear(in_features=100, out_features=4)
        )
        
    def forward(self, x):
        x = self.Conv(x)
        x = self.C3_1(x)
        x = torch.flatten(x, start_dim=1)
        x = self.classifier(x)

        return x

device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))
    
model = model_K().to(device)
print(model)

 Using cuda device
model_K(
  (Conv): Conv(
    (conv): Conv2d(3, 32, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
    (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (act): SiLU()
  )
  (C3_1): C3(
    (cv1): Conv(
      (conv): Conv2d(32, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (act): SiLU()
    )
    (cv2): Conv(
      (conv): Conv2d(32, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (act): SiLU()
    )
    (cv3): Conv(
      (conv): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (act): SiLU()
    )
    (m): Sequential(
      (0): Bottleneck(
        (cv1): Conv(
          (conv): Conv2d(32, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (act): SiLU()
        )
        (cv2): Conv(
          (conv): Conv2d(32, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (act): SiLU()
        )
      )
      (1): Bottleneck(
        (cv1): Conv(
          (conv): Conv2d(32, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (act): SiLU()
        )
        (cv2): Conv(
          (conv): Conv2d(32, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (act): SiLU()
        )
      )
      (2): Bottleneck(
        (cv1): Conv(
          (conv): Conv2d(32, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (act): SiLU()
        )
        (cv2): Conv(
          (conv): Conv2d(32, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (act): SiLU()
        )
      )
    )
  )
  (classifier): Sequential(
    (0): Linear(in_features=802816, out_features=100, bias=True)
    (1): ReLU()
    (2): Linear(in_features=100, out_features=4, bias=True)
  )
)

 2.查看模型详细

# 统计模型参数量以及其他指标
import torchsummary as summary
print(summary.summary(model, (3, 224, 224)))

通过调用torchsummary.summary(model, (3, 224, 224))函数,将打印出以下信息:

  • 模型的总参数数量:表示模型中所有参数的总数量。
  • 每一层的参数数量:表示每一层(包括卷积层、全连接层等)的参数数量。
  • 模型的整体结构:以表格形式展示模型的各个层级结构,包括输入尺寸、输出尺寸和可训练参数数量等。

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1         [-1, 32, 112, 112]             864
       BatchNorm2d-2         [-1, 32, 112, 112]              64
              SiLU-3         [-1, 32, 112, 112]               0
              Conv-4         [-1, 32, 112, 112]               0
            Conv2d-5         [-1, 32, 112, 112]           1,024
       BatchNorm2d-6         [-1, 32, 112, 112]              64
              SiLU-7         [-1, 32, 112, 112]               0
              Conv-8         [-1, 32, 112, 112]               0
            Conv2d-9         [-1, 32, 112, 112]           1,024
      BatchNorm2d-10         [-1, 32, 112, 112]              64
             SiLU-11         [-1, 32, 112, 112]               0
             Conv-12         [-1, 32, 112, 112]               0
           Conv2d-13         [-1, 32, 112, 112]           9,216
      BatchNorm2d-14         [-1, 32, 112, 112]              64
             SiLU-15         [-1, 32, 112, 112]               0
             Conv-16         [-1, 32, 112, 112]               0
       Bottleneck-17         [-1, 32, 112, 112]               0
           Conv2d-18         [-1, 32, 112, 112]           1,024
      BatchNorm2d-19         [-1, 32, 112, 112]              64
             SiLU-20         [-1, 32, 112, 112]               0
             Conv-21         [-1, 32, 112, 112]               0
           Conv2d-22         [-1, 32, 112, 112]           9,216
      BatchNorm2d-23         [-1, 32, 112, 112]              64
             SiLU-24         [-1, 32, 112, 112]               0
             Conv-25         [-1, 32, 112, 112]               0
       Bottleneck-26         [-1, 32, 112, 112]               0
           Conv2d-27         [-1, 32, 112, 112]           1,024
      BatchNorm2d-28         [-1, 32, 112, 112]              64
             SiLU-29         [-1, 32, 112, 112]               0
             Conv-30         [-1, 32, 112, 112]               0
           Conv2d-31         [-1, 32, 112, 112]           9,216
      BatchNorm2d-32         [-1, 32, 112, 112]              64
             SiLU-33         [-1, 32, 112, 112]               0
             Conv-34         [-1, 32, 112, 112]               0
       Bottleneck-35         [-1, 32, 112, 112]               0
           Conv2d-36         [-1, 32, 112, 112]           1,024
      BatchNorm2d-37         [-1, 32, 112, 112]              64
             SiLU-38         [-1, 32, 112, 112]               0
             Conv-39         [-1, 32, 112, 112]               0
           Conv2d-40         [-1, 64, 112, 112]           4,096
      BatchNorm2d-41         [-1, 64, 112, 112]             128
             SiLU-42         [-1, 64, 112, 112]               0
             Conv-43         [-1, 64, 112, 112]               0
               C3-44         [-1, 64, 112, 112]               0
           Linear-45                  [-1, 100]      80,281,700
             ReLU-46                  [-1, 100]               0
           Linear-47                    [-1, 4]             404
================================================================
Total params: 80,320,536
Trainable params: 80,320,536
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.57
Forward/backward pass size (MB): 150.06
Params size (MB): 306.40
Estimated Total Size (MB): 457.04
----------------------------------------------------------------

三、训练模型 

1.编写训练函数

# 训练循环
def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)  # 训练集的大小
    num_batches = len(dataloader)   # 批次数目, (size/batch_size,向上取整)

    train_loss, train_acc = 0, 0  # 初始化训练损失和正确率
    
    for X, y in dataloader:  # 获取图片及其标签
        X, y = X.to(device), y.to(device)
        
        # 计算预测误差
        pred = model(X)          # 网络输出
        loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距,targets为真实值,计算二者差值即为损失
        
        # 反向传播
        optimizer.zero_grad()  # grad属性归零
        loss.backward()        # 反向传播
        optimizer.step()       # 每一步自动更新
        
        # 记录acc与loss
        train_acc  += (pred.argmax(1) == y).type(torch.float).sum().item()
        train_loss += loss.item()
            
    train_acc  /= size
    train_loss /= num_batches

    return train_acc, train_loss

在for循环中,代码遍历dataloader中的每个批次,每次迭代都会获取一批图像和对应的标签,其中X表示图像,y表示标签。 

代码计算神经网络模型model对图像X的预测输出,并使用loss_fn函数计算预测输出和真实标签y之间的差距,将结果赋值给变量loss。

在每次迭代中,代码还记录了预测准确的样本数量,并将其累加到train_acc中。同时,将损失值loss.item()累加到train_loss中。

循环结束后,代码根据训练集的大小和批次数目,计算平均训练准确率train_acc和平均训练损失train_loss


2.编写测试函数

测试函数和训练函数大致相同,但是由于不进行梯度下降对网络权重进行更新,所以不需要传入优化器

def test (dataloader, model, loss_fn):
    size        = len(dataloader.dataset)  # 测试集的大小
    num_batches = len(dataloader)          # 批次数目, (size/batch_size,向上取整)
    test_loss, test_acc = 0, 0
    
    # 当不进行训练时,停止梯度更新,节省计算内存消耗
    with torch.no_grad():
        for imgs, target in dataloader:
            imgs, target = imgs.to(device), target.to(device)
            
            # 计算loss
            target_pred = model(imgs)
            loss        = loss_fn(target_pred, target)
            
            test_loss += loss.item()
            test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item()

    test_acc  /= size
    test_loss /= num_batches

    return test_acc, test_loss

在for循环中,代码遍历dataloader中的每个批次,在每次迭代中获取一批图像数据imgs和对应的标签target。同样地,将图像数据和标签转移到调用代码的设备上。 然后,代码使用神经网络模型model对图像数据imgs进行预测,并使用loss_fn函数计算预测输出和真实标签target之间的差距,将结果赋值给变量loss。

循环结束后,代码根据测试集的大小和批次数目,计算平均测试准确率test_acc和平均测试损失test_loss。
 

3.正式训练

import copy

optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
loss_fn = nn.CrossEntropyLoss()  # 创建损失函数

epochs = 20

train_loss = []
train_acc = []
test_loss = []
test_acc = []

best_acc = 0  # 设置一个最佳准确率,作为最佳模型的判别指标

for epoch in range(epochs):

    model.train()
    epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, optimizer)

    model.eval()
    epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)

    # 保存最佳模型到 best_model
    if epoch_test_acc > best_acc:
        best_acc = epoch_test_acc
        best_model = copy.deepcopy(model)

    train_acc.append(epoch_train_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)

    # 获取当前的学习率
    lr = optimizer.state_dict()['param_groups'][0]['lr']

    template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E}')
    print(template.format(epoch + 1, epoch_train_acc * 100, epoch_train_loss,
                          epoch_test_acc * 100, epoch_test_loss, lr))

# 保存最佳模型到文件中
PATH = 'E:\pythonProject pytorch\best_model.pth'  # 保存的参数文件名
torch.save(model.state_dict(), PATH)

print('Done')

Epoch: 1, Train_acc:71.7%, Train_loss:1.183, Test_acc:81.3%, Test_loss:0.806, Lr:1.00E-04
Epoch: 2, Train_acc:88.3%, Train_loss:0.373, Test_acc:82.7%, Test_loss:0.840, Lr:1.00E-04
Epoch: 3, Train_acc:92.0%, Train_loss:0.290, Test_acc:85.3%, Test_loss:0.492, Lr:1.00E-04
Epoch: 4, Train_acc:94.9%, Train_loss:0.155, Test_acc:86.2%, Test_loss:0.598, Lr:1.00E-04
Epoch: 5, Train_acc:97.1%, Train_loss:0.097, Test_acc:89.8%, Test_loss:0.543, Lr:1.00E-04
Epoch: 6, Train_acc:97.4%, Train_loss:0.076, Test_acc:85.8%, Test_loss:0.711, Lr:1.00E-04
Epoch: 7, Train_acc:98.1%, Train_loss:0.063, Test_acc:88.0%, Test_loss:0.571, Lr:1.00E-04
Epoch: 8, Train_acc:98.8%, Train_loss:0.047, Test_acc:91.6%, Test_loss:0.536, Lr:1.00E-04
Epoch: 9, Train_acc:99.6%, Train_loss:0.016, Test_acc:84.0%, Test_loss:1.126, Lr:1.00E-04
Epoch:10, Train_acc:98.0%, Train_loss:0.068, Test_acc:89.3%, Test_loss:0.709, Lr:1.00E-04
Epoch:11, Train_acc:99.6%, Train_loss:0.020, Test_acc:89.3%, Test_loss:0.528, Lr:1.00E-04
Epoch:12, Train_acc:98.7%, Train_loss:0.060, Test_acc:85.8%, Test_loss:1.237, Lr:1.00E-04
Epoch:13, Train_acc:98.6%, Train_loss:0.062, Test_acc:88.0%, Test_loss:0.953, Lr:1.00E-04
Epoch:14, Train_acc:98.2%, Train_loss:0.049, Test_acc:85.3%, Test_loss:1.279, Lr:1.00E-04
Epoch:15, Train_acc:98.2%, Train_loss:0.076, Test_acc:88.0%, Test_loss:1.029, Lr:1.00E-04
Epoch:16, Train_acc:99.0%, Train_loss:0.032, Test_acc:89.8%, Test_loss:0.769, Lr:1.00E-04
Epoch:17, Train_acc:99.0%, Train_loss:0.027, Test_acc:86.2%, Test_loss:1.090, Lr:1.00E-04
Epoch:18, Train_acc:99.4%, Train_loss:0.011, Test_acc:89.3%, Test_loss:0.656, Lr:1.00E-04
Epoch:19, Train_acc:99.6%, Train_loss:0.018, Test_acc:90.7%, Test_loss:0.816, Lr:1.00E-04
Epoch:20, Train_acc:100.0%, Train_loss:0.002, Test_acc:90.2%, Test_loss:0.774, Lr:1.00E-04 

四、 结果可视化
1. Loss与Accuracy图

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率

epochs_range = range(epochs)

plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

深度学习P8-YOLOv5-C3模块识别_第1张图片 

2.模型评估

best_model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, best_model, loss_fn)
print(epoch_test_acc, epoch_test_loss)

你可能感兴趣的:(深度学习,YOLO,人工智能)