transunet复现（deepsort复现）

 Swim Transformer 图像分类项目从自定义数据集开始

# 具体可以参考CSDN的博客文章：https://blog.csdn.net/_?type=blog

# 因为预训练权重太大，这里没法上传，自行下载后放在 weights就行

https://github.com/SwinTransformer/storage/releases/download/v1.0.0/swin_base_patch4_window7_224_22k.pth

'''

# 项目不需要任何更改！！操作简单,包含从制作数据集到训练、预测的完整过程

# 代码会导入 swin_base_patch4_window7_224_in22k 模型，并载入官方的预训练模型

# 训练：代码直接运行 train.py 会自动训练，可以完全不用更改，分类的类别个数会自动生成

# 预测：直接运行 predict.py 文件即可，代码会自动预测 inference 文件夹下所以图像

'''

# 0. 需要配置环境！！

pip install -r requirements.txt

# 运行顺序：

1. 运行爬虫脚本，下载关键词图像 Swin_Transformermy_dataset_from_netmain.py

config 改为Baidu API，Max number改成想要下载的图像个数，线程数建议小一点，要不然会漏下

输出目录不用改，会自动生成，根据关键词下载，也可以载入txt文件，按照下面摆放！

'''

钢铁侠

美国队长

雷神

绿巨人

黑寡妇

鹰眼

''''

2. 定义数据集(将爬取的图像去除损坏的图像，划分训练集和测试集后，按照代码定义的样子摆放好)

# 运行 process_data.py

Tips :下载的关键词是中文的话，需要将名字改成英文!

Tips : 有些无法预览的图像，删不删除都可以，为了可视化，最好删除

3. 开始训练,在 `train.py` 脚本中更改下面超参数(可以直接傻瓜运行，什么都不需要更改)

# num_classes 会自动生成，不需要定义！！

# 冻结权重，因为数据集的不同，设定为True 网络的效果会更好。设置为 False ，可以加快训练，并且精度也不会损失的太多

parser.add_argument('--epochs', type=int, default=50)

parser.add_argument('--batch-size', type=int, default=32)

parser.add_argument('--lr', type=float, default=0.001)

parser.add_argument('--lrf', type=float, default=0.01)

parser.add_argument('--freeze-layers', type=bool, default=False) # 是否冻结权重

4. 预测,运行predict.py即可，不需要更改任何参数，num-classes或者mean、std代码都会自动生成(可以直接傻瓜运行，什么都不需要更改)

# TODO 一些问题

预测脚本会重新导入训练集，计算train mean 和train std，这样难免会浪费时间

如果项目在实际环境中运行，可以训练好网络，在predict.py 脚本中，将num_classes,mean,std自己根据任务设定好，这样可以减少不必要的计算

model = create_model(num_classes=num_classes) # 根据分类个数更改

mean, std = get_mean_std() # 根据训练日志的 txt 文件更改

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/rfx/59202.html