Efficientnet_pytorch_cbam_gui

大致说明

这是一个基于efficientnet模型的图像分类方案。模型融入了cbam注意力机制模块，cutmix,CrossEntropyLabelSmooth,auto_augment等tricks帮助原生的effcientnet提高对图像数据集的分类准确度。不仅如此，还使用pyqt写了gui界面，可通过界面进行待预测图片的选择，并对选择的图片进行预测。
本次使用的数据集是海洋生物数据集，包含20类海洋生物。平均分类准确度接近96%，准确率在水下生物图像分类华南赛区位列榜一。
github Code（欢迎star）：https://github.com/whisperLiang/Efficientnet_pytorch_cbam_gui.git
码云 Code（欢迎star）：https://gitee.com/whisperliang/Efficientnet_pytorch_cbam_gui.git
论文：Classification of fine-grained species of marine organisms based on multi-scale fusion
最近私聊的人有一点多，如果实在自己不懂部署的，本人有偿帮忙

代码模块解析

1. pip-requirements.txt 需要安装的库
2. convert_dataset.py 整理csv文件格式的数据集
3. creat_map.py 生成对应的标签映射
4. train.py 训练主函数
5. test_one.py 利用训练好的模型预测一张图片
6. test_all.py 预测整个test文件里的图片
7. test_tta. py 预测时加入tta，但是实际效果不好，不知道哪里出了问题
8. sys_gui .py 运行时生成界面，可实现单张图片的读取，以及对单张图片的预测
9. utils/mymodel.py 定义三个对象，分别是加入cbam的单模型b5、原生b5、以及多尺度模型b3_b6。可以通过修改模型名字导入不同模型进行训练
10. MyEfficientNet/cbam_model.py 分别是SGE模块、通道注意力模块、空间注意力模块、CBAM融入EfficienNet和原生Efficientnet

使用指导

准备训练数据集

由于之前的博客对这一部分进行了比较详细的说明，因此此处不再赘述。
博客地址：参考第一部分即可

训练过程

安装相关的库

pip install -r pip-requirements.txt

train.py文件说明

1. 对于数据集的读取，由于采用了十折交叉验证，因此需要用pandas处理数据集的路径和文件名，大家仔细对照读取的csv文件即可参考自己数据集路径和文件名进行修改。
2. 对于超参数的调整，可以根据自身数据集的特点以及训练过程进行调整，特别需要注意的是训练类别的确定，默认是20类，记得根据自己的数量进行修改。

训练方案

模型方面采用的是efficientnet-b5，在原始b5模型中增加了cbam注意力模块，数据增强方面使用了随机裁切、翻转、auto_augment、随机擦除以及cutmix, 损失函数采用CrossEntropyLabelSmooth，训练策略方面采用了快照集成（snapshot）思想。

第一阶段训练，图像输入尺寸为465，使用LabelSmooth和cutmix，采用带学习率自动重启的CosineAnnealingWarmRestarts方法，获得5个模型快照，选择val_acc最高的模型，作为第一阶段的训练结果。

# 训练100epochs,训练类别为20类
python train.py --epochs=100 --num_class=20 --image_size=456

第二阶段训练，图像输入尺寸为465，适当调整随机裁切和随机擦除的参数，增加weight_decay，在第一阶段模型的基础上训练获得5个模型快照，选择val_acc最高的模型，作为第二阶段的训练结果。

python train1.py --batch_size=10 --lr=5e-5 --epochs=100 --num_class=20\
--image_size=456 --weight_decay=1e-4 --resize_scale=0.6 --erasing_prob=0.3\
--model_path='checkpoint/best_model_456.pth'

第三阶段训练，图像输入尺寸为465，关闭cutmix，损失函数采用CrossEntropyLoss，在第二阶段模型的基础上训练获得5个模型快照，选择val_acc最高的模型，作为最终的训练结果。

python train1.py --batch_size=10 --epochs=100 --num_class=20 --lr=1e-6 --image_size=456\
--weight_decay=1e-4 --resize_scale=0.6 --erasing_prob=0.3 --cutmix\
--label_smooth --model_path='checkpoint/best_model_456.pth'

对图片进行预测

生成label_map

由于之前的博客对这一部分进行了比较详细的说明，因此此处不再赘述。
博客地址：参考第三部分即可

单张图片预测

通过修改test_one.py第16和17行的代码对分类的总类数量和待预测图片的路径进行修改

class_num = 20
image_dir = './test/8/0ca7e485031bf869a79e12efd6fd8bea.jpg'

如果大家暂时还没有训练好的模型，可以用我训练好的模型：已经训练好的20类海洋生物分类模型
我本来是放的免费下载的，但是不知道为啥博客总是给我强加C币，所以你们只能花点钱了。
修改文件中68行，对模型路径修改。

model_ft.load_state_dict(torch.load("./checkpoint/best_model_final.pth", map_location='cpu'))

预测结果展示：
这里我们打印出了准确率前三的类别，它的预测结果为Solenostomus paradoxus

第一幅是通过预测结果百度的图片，第二幅是待预测的图片，对比图片可知结果完全正确。

文件夹里所有图片进行预测

这里我是先处理好所有待预测图片的路径，然后通过路径获取所有图片，然后对其进行预测，预测选用的平台是google colab。当时的平均精度大概是接近96%。由于需要将模型上传到google colab上需要花费比较多的时间，时间紧迫，所以这部分就不进行演示了。

利用界面对单张图片进行预测

这里只对预测结果进行演示，需要改内部结构的，自行改动sys_gui.py。

系统初始界面

导入海洋数生物数据

点击之后会弹出一个系统的文件夹界面，这个界面路径是自己可以修改的（255行）,然后我们选择文件8里面的第一张图片，选中后图片将会显示在原来灰色的部分，控制台提醒图片加载结束。

开始预测

点击开始预测，便会开始调用训练好的模型进行预测，预测结果将会通过弹窗的形式呈现，控制台进行相关的提示。

文件夹所有图片进行预测并将结果写入csv文件

由于之前比赛的代码没有好好保存，加上最近时间不够，所以这个功能就大家自己去完成吧，在“文件夹里所有图片进行预测”部分修改即可。大致就是将每张图片的名字和预测的结果都返回出来，然后将他们11对应的写入csv文件。