文章目錄

• 簡(jiǎn)介
• 最終效果
• • 模型訓(xùn)練精度
  • 掃一掃識(shí)別功能
• 使用的技術(shù)&框架
• • 軟/硬件需求
  • • 機(jī)器要求
    • 開發(fā)工具
    • 數(shù)據(jù)集
• 各模塊介紹
• • 模型訓(xùn)練
  • 數(shù)據(jù)抓取
  • 模型移植
  • 安卓界面&數(shù)據(jù)走向
• 使用方式
• • 啟動(dòng)模型訓(xùn)練
  • • 重新開始新的訓(xùn)練
    • 使用上次訓(xùn)練結(jié)果繼續(xù)訓(xùn)練
    • 模型移植
    • 項(xiàng)目定制化
  • 啟動(dòng)APP

簡(jiǎn)介

通過深度學(xué)習(xí)技術(shù)搭建殘差網(wǎng)絡(luò)，使用CompsCars數(shù)據(jù)集 進(jìn)行車型識(shí)別模型的訓(xùn)練，并將訓(xùn)練好的模型移植到了Android端，實(shí)現(xiàn)了通過手機(jī)掃一掃的方式進(jìn)行汽車車型識(shí)別的功能。

鑒于回復(fù)消息不及時(shí)，需要數(shù)據(jù)集的同學(xué)，請(qǐng)自行關(guān)注公眾號(hào): 小張睡不飽

回復(fù)：車型識(shí)別數(shù)據(jù)集 即可獲得下載鏈接[OK]

項(xiàng)目涉及到的技術(shù)點(diǎn)較多，需要開發(fā)者有一定的技術(shù)功底。如：python語言的使用、深度學(xué)習(xí)框架pytorch的使用、爬蟲腳本的理解、Java語言的使用、Android平臺(tái)架構(gòu)的理解等等。

雖然屬于跨語言開發(fā)，但是要求并不高，只要達(dá)到入門級(jí)別即可看懂本項(xiàng)目，并可以嘗試一些定制化的改造。畢竟框架已經(jīng)搭建好了，只需要修改數(shù)據(jù)源、重新訓(xùn)練出模型，就可以實(shí)現(xiàn)一款新的應(yīng)用啦。

---

最終效果

以下視頻將展示所有功能完成后的APP的使用情況。

https://www.bilibili.com/video/BV1Pk4y1B7qK

模型訓(xùn)練精度

以下是使用Resnet-34進(jìn)行400次車型識(shí)別訓(xùn)練的 train-validation圖表。

以下是使用Resnet-34進(jìn)行400次車型識(shí)別訓(xùn)練 Top-1的錯(cuò)誤率。

以下是使用Resnet-34進(jìn)行400次車型識(shí)別訓(xùn)練 Top-5的錯(cuò)誤率。

訓(xùn)練模型結(jié)果: https://upload.csdn.net/creation/uploadResources/85267140

掃一掃識(shí)別功能

以下是移植到android平臺(tái)后進(jìn)行識(shí)別的結(jié)果展示圖。

---

使用的技術(shù)&框架

• 開發(fā)語言：Python、Java
• 技術(shù)框架：pytorch、resnet-34、Android平臺(tái)
• 可選借助平臺(tái)：百度AI平臺(tái)
• 項(xiàng)目構(gòu)成：模型訓(xùn)練項(xiàng)目、爬蟲項(xiàng)目、APP開發(fā)項(xiàng)目

軟/硬件需求

機(jī)器要求

因?yàn)樯婕暗綑C(jī)器學(xué)習(xí)模型訓(xùn)練，所以你應(yīng)該擁有一臺(tái)用來訓(xùn)練模型的機(jī)器，且需要搭載支持CUDA的GPU（如：GeForce、GTX、Tesla等），顯存大小，自然是越大越好。

本人項(xiàng)目環(huán)境：

• windows10 專業(yè)版；GeForce MAX150；獨(dú)顯 2G；1T硬盤

也就是說這是最低配了，你至少要和我同一配置。

開發(fā)工具

• Pycharm：用來訓(xùn)練模型、pyhton爬蟲、模型移植腳本
• Android Studio：用來開發(fā)安卓APP

數(shù)據(jù)集

數(shù)據(jù)集是項(xiàng)目最重要的一部分，有了數(shù)據(jù)集才能開始訓(xùn)練

本項(xiàng)目使用的是 香港中文大學(xué)的CompCars細(xì)粒度汽車數(shù)據(jù)集。

需要的同學(xué)可以私聊找我要網(wǎng)盤鏈接。

---

各模塊介紹

模型訓(xùn)練

Github 地址：pytorch_train 歡迎 star/issue

訓(xùn)練模型主要分為五個(gè)模塊：啟動(dòng)器、自定義數(shù)據(jù)加載器、網(wǎng)絡(luò)模型、學(xué)習(xí)率/損失率調(diào)整以及訓(xùn)練可視化。

啟動(dòng)器是項(xiàng)目的入口，通過對(duì)啟動(dòng)器參數(shù)的設(shè)置，可以進(jìn)行很多靈活的啟動(dòng)方式，下圖為部分啟動(dòng)器參數(shù)設(shè)置。

任何一個(gè)深度學(xué)習(xí)的模型訓(xùn)練都是離不開數(shù)據(jù)集的，根據(jù)多種多樣的數(shù)據(jù)集，我們應(yīng)該使用一個(gè)方式將數(shù)據(jù)集用一種通用的結(jié)構(gòu)返回，方便網(wǎng)絡(luò)模型的加載處理。

這里使用了殘差網(wǎng)絡(luò)Resnet-34，代碼中還提供了Resnet-18、Resnet-50、Resnet-101以及Resnet-152。殘差結(jié)構(gòu)是通過一個(gè)快捷連接，極大的減少了參數(shù)數(shù)量，降低了內(nèi)存使用。

以下為殘差網(wǎng)絡(luò)的基本結(jié)構(gòu)和Resnet-34 部分網(wǎng)絡(luò)結(jié)構(gòu)圖。

除了最開始看到的train-val圖表、Top-、Top-5的error記錄表以外，在訓(xùn)練過程中，使用進(jìn)度條打印當(dāng)前訓(xùn)練的進(jìn)度、訓(xùn)練精度等信息。打印時(shí)機(jī)可以通過上邊提到的 啟動(dòng)器 優(yōu)雅地配置。

以下為最終的項(xiàng)目包架構(gòu)。

pytorch_train|-- data -- 存放讀取訓(xùn)練、校驗(yàn)、測(cè)試數(shù)據(jù)路徑的txt| |-- train.txt | |-- val.txt| |-- test.txt|-- result -- 存放最終生成訓(xùn)練結(jié)果的目錄|-- util -- 模型移植工具|-- clr.py -- 學(xué)習(xí)率|-- dataset.py -- 自定義數(shù)據(jù)集|-- flops_benchmark.py -- 統(tǒng)計(jì)每秒浮點(diǎn)運(yùn)算次數(shù)|-- logger.py -- 日志可視化|-- mobile_net.py -- 網(wǎng)絡(luò)模型之一 mobile_net2|-- resnet.py -- 網(wǎng)絡(luò)模型之一 Resnet系列|-- run.py -- 具體執(zhí)行訓(xùn)練、測(cè)試方法|-- start.py -- 啟動(dòng)器

數(shù)據(jù)抓取

Github 地址：crawer/dongchedi 歡迎 star/issue

最終獲取的數(shù)據(jù)如下圖：

模型移植

Github 地址：pytorch_train/transfor

import osimport torch import torchvisionmodel_pth = os.path.join("results", "2020-04-27_10-27-17", 'checkpoint.pth.tar') # 將resnet34模型保存為Android可以調(diào)用的文件 mobile_pt = os.path.join("results", "2020-04-27_10-27-17", 'resnet34.pt') num_class = 13 device = 'cpu' # 'cuda:0' # cpumodel = torchvision.models.resnet34(num_classes=num_class) model = torch.nn.DataParallel(model, [0]) model.to(device=device)checkpoint = torch.load(model_pth, map_location=device) model.load_state_dict(checkpoint['state_dict'])model.eval() # 模型設(shè)為評(píng)估模式 # 1張3通道224*224的圖片 input_tensor = torch.rand(1, 3, 224, 224) # 設(shè)定輸入數(shù)據(jù)格式 traced_script_module = torch.jit.trace(model.module, input_tensor) # 模型轉(zhuǎn)化 traced_script_module.save(mobile_pt) # 保存文件

安卓界面&數(shù)據(jù)走向

Github 地址：carIdentify 歡迎 star/issue

實(shí)現(xiàn)了以下功能：

• 調(diào)用攝像頭權(quán)限自動(dòng)申請(qǐng)
• 攝像頭預(yù)覽
• 讀取pytorch訓(xùn)練模型
• 調(diào)用第三方接口，精準(zhǔn)預(yù)測(cè)

最終界面展示：

安卓項(xiàng)目結(jié)構(gòu)如圖：

---

使用方式

啟動(dòng)模型訓(xùn)練

啟動(dòng)前需要確保你已經(jīng)有了本項(xiàng)目使用的數(shù)據(jù)集 CompCars

重新開始新的訓(xùn)練

python start.py --data_root "./data" --gpus 0,1,2 -w 2 -b 120 --num_class 13

• –data_root 數(shù)據(jù)集路徑位置
• –gups 使用gpu訓(xùn)練的塊數(shù)
• -w 為gpu加載自定義數(shù)據(jù)集的工作線程
• -b 用來gpu訓(xùn)練的 batch size是多少
• –num_class 分類類別數(shù)量

使用上次訓(xùn)練結(jié)果繼續(xù)訓(xùn)練

python start.py --data_root "./data" --gpus 0,1,2 -w 2 -b 120 --num_class 13 --resume "results/2020-04-14_12-36-16"

• –data_root 數(shù)據(jù)集路徑位置
• –gups 使用gpu訓(xùn)練的塊數(shù)
• -w 為gpu加載自定義數(shù)據(jù)集的工作線程
• -b 用來gpu訓(xùn)練的 batch size是多少
• –num_class 分類類別數(shù)量
• –resume 上次訓(xùn)練結(jié)果文件夾，可繼續(xù)上次的訓(xùn)練

模型移植

將訓(xùn)練好的模型轉(zhuǎn)換為Android可以執(zhí)行的模型

python transfor.py

項(xiàng)目定制化

• 找尋自己的數(shù)據(jù)集
• 需要修改啟動(dòng)腳本中 –num_class，模型類別

目前項(xiàng)目中具備很多備注記錄，稍加review代碼就可以理解，如有不清楚，可以私信詢問。

啟動(dòng)APP

APP下載鏈接：https://pan.baidu.com/s/1X7tobj4R302WmGu116-2mg 提取碼: 1606

• 安裝完成后
• 同意調(diào)用系統(tǒng)相機(jī)權(quán)限
• 使用掃一掃對(duì)準(zhǔn)汽車
• 稍后將會(huì)展示識(shí)別后的結(jié)果和識(shí)別的圖片

具體使用方式，可參見：https://www.bilibili.com/video/BV1Pk4y1B7qK

總結(jié)

以上是生活随笔為你收集整理的基于深度学习的车型识别APP的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。