本篇文章给大家分享的是有关PyTorch中如何实现病虫害图像分类,小编觉得挺实用的,因此分享给大家学习,希望大家阅读完这篇文章后可以有所收获,话不多说,跟着小编一起来看看吧。一、pytorch框架1.1、概念PyTorch是一个开源的pyt
本篇文章给大家分享的是有关PyTorch中如何实现病虫害图像分类,小编觉得挺实用的,因此分享给大家学习,希望大家阅读完这篇文章后可以有所收获,话不多说,跟着小编一起来看看吧。
PyTorch是一个开源的python机器学习库,基于Torch,用于自然语言处理等应用程序。
2017年1月,由Facebook人工智能研究院(FaiR)基于Torch推出了PyTorch。它是一个基于Python的可续计算包,提供两个高级功能:
具有强大的GPU加速的张量计算(如NumPy)。
包含自动求导系统的深度神经网络。
两者之间区别很多,在本篇博客中只简单描述一部分。以图片的形式展现。
前者为机器学习的过程。
后者为深度学习的过程。
本次实验使用的是coco数据集中的植物病虫害数据集。分为训练文件Traindata和测试文件TestData.,
TrainData有9种分类,每一种分类有100张图片。
TestData有9中分类,每一种分类有10张图片。
在我下一篇博客中将数据集开源。
下面是我的数据集截图:
import torchfrom torch.utils.data import Dataset, DataLoaderimport numpy as npimport matplotlibimport osimport cv2from PIL import Imageimport torchvision.transfORMs as transformsimport torch.optim as optimfrom torch.autograd import Variableimport torch.nn as nnimport torch.nn.functional as Ffrom Test.CNN import Netimport JSONfrom Test.train_data import Mydataset,pad_image
# 构建神经网络class Net(nn.Module):#定义网络模块 def __init__(self): super(Net, self).__init__() # 卷积,该图片有3层,6个特征,长宽均为5*5的像素点,每隔1步跳一下 self.conv1 = nn.Conv2d(3, 6, 5) #//(conv1): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1)) self.pool = nn.MaxPool2d(2, 2)#最大池化 #//(pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) self.conv2 = nn.Conv2d(6, 16, 5)#卷积 #//(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1)) self.fc1 = nn.Linear(16*77*77, 120)#全连接层,图片的维度为16, #(fc1): Linear(in_features=94864, out_features=120, bias=True) self.fc2 = nn.Linear(120, 84)#全连接层,输入120个特征输出84个特征 self.fc3 = nn.Linear(84, 7)#全连接层,输入84个特征输出7个特征 def forward(self, x): print("x.shape1: ", x.shape) x = self.pool(F.relu(self.conv1(x))) print("x.shape2: ", x.shape) x = self.pool(F.relu(self.conv2(x))) print("x.shape3: ", x.shape) x = x.view(-1, 16*77*77) print("x.shape4: ", x.shape) x = F.relu(self.fc1(x)) print("x.shape5: ", x.shape) x = F.relu(self.fc2(x)) print("x.shape6: ", x.shape) x = self.fc3(x) print("x.shape7: ", x.shape) return x
img_path = "TestData/test_data/1/Apple2 (1).jpg" #使用相对路径image = Image.open(img_path).convert('RGB')image_pad = pad_image(image, (320, 320))input = transform(image_pad).to(device).unsqueeze(0)output = F.softmax(net(input), 1)_, predicted = torch.max(output, 1)score = float(output[0][predicted]*100)print(class_map[predicted], " ", str(score)+" %")plt.imshow(image_pad) # 显示图片
以上就是Pytorch中如何实现病虫害图像分类,小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注编程网精选频道。
--结束END--
本文标题: Pytorch中如何实现病虫害图像分类
本文链接: https://www.lsjlt.com/news/302723.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
下载Word文档到电脑,方便收藏和打印~
2024-04-27
2024-04-27
2024-04-27
2024-04-27
2024-04-27
2024-04-27
2024-04-27
2024-04-27
2024-04-27
2024-04-27
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
0