基于Pytorch框架的深度学习densenet121神经网络鸟类行为识别分类系统源码
第一步：准备数据
5种鸟类行为数据：self.class_indict =
["bowing_status", "grooming", "headdown", "vigilance_status", "walking"]
，总共有23790张图片，每个文件夹单独放一种数据
第二步：搭建模型
简介：
DenseNet（Dense Convolutional Network）稠密卷积网络
CVPR2017的优秀文章
从feature入手，通过对feature的极致利用达到更好的效果和更少的参数。
优点：
减轻了vanishing-gradient（梯度消失）
加强了feature的传递
更有效地利用了feature
一定程度上较少了参数数量
在深度学习网络中，随着网络深度的加深，梯度消失问题会愈加明显，解决方法是创建浅层与深层之间的短路径。在DenseNet中，在保证网络中层与层之间最大程度的信息传输的前提下，直接将所有层连接起来。
在传统卷积神经网络中，如果你有L层，那么就会有L个连接，但是在DenseNet中，会有（L+1）/2个连接。简单来说，就是每一层的输入来自前面所有层的输出。如下图是dense block的结构图，x是数据，H是网络层。
第三步：训练代码
1）损失函数为：交叉熵损失函数
2）训练代码：
import os
import math
import argparse
import torch
import torch.optim as optim
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
import torch.optim.lr_scheduler as lr_scheduler
from model import densenet121, load_state_dict
from my_dataset import MyDataSet
from utils import read_split_data, train_one_epoch, evaluate
def main(args):
device = torch.device(args.device if torch.cuda.is_available() else "cpu")
print(args)
print('Start Tensorboard with "cd", view at http://localhost:6006/')
tb_writer = SummaryWriter()
if os.path.exists("./weights") is False:
os.makedirs("./weights")
train_images_path, train_images_label, val_images_path, val_images_label = read_split_data(args.data_path)
data_transform = {
"train": transforms.Compose([transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]),
"val": transforms.Compose([transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])}
train_dataset = MyDataSet(images_path=train_images_path,
images_class=train_images_label,
transform=data_transform["train"])
val_dataset = MyDataSet(images_path=val_images_path,
images_class=val_images_label,
transform=data_transform["val"])
batch_size = args.batch_size
nw = min([os.cpu_count(), batch_size if batch_size > 1 else 0, 8])
print('Using {} dataloader workers every process'.format(nw))
train_loader = torch.utils.data.DataLoader(train_dataset,
batch_size=batch_size,
shuffle=True,
pin_memory=True,
num_workers=nw,
collate_fn=train_dataset.collate_fn)
val_loader = torch.utils.data.DataLoader(val_dataset,
batch_size=batch_size,
shuffle=False,
pin_memory=True,
num_workers=nw,
collate_fn=val_dataset.collate_fn)
model = densenet121(num_classes=args.num_classes).to(device)
if args.weights != "":
if os.path.exists(args.weights):
load_state_dict(model, args.weights)
else:
raise FileNotFoundError("not found weights file: {}".format(args.weights))
if args.freeze_layers:
for name, para in model.named_parameters():
if "classifier" not in name:
para.requires_grad_(False)
pg = [p for p in model.parameters() if p.requires_grad]
optimizer = optim.SGD(pg, lr=args.lr, momentum=0.9, weight_decay=1E-4, nesterov=True)
lf = lambda x: ((1 + math.cos(x * math.pi / args.epochs)) / 2) * (1 - args.lrf) + args.lrf
scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)
for epoch in range(args.epochs):
mean_loss = train_one_epoch(model=model,
optimizer=optimizer,
data_loader=train_loader,
device=device,
epoch=epoch)
scheduler.step()
acc = evaluate(model=model,
data_loader=val_loader,
device=device)
print("[epoch {}] accuracy: {}".format(epoch, round(acc, 3)))
tags = ["loss", "accuracy", "learning_rate"]
tb_writer.add_scalar(tags[0], mean_loss, epoch)
tb_writer.add_scalar(tags[1], acc, epoch)
tb_writer.add_scalar(tags[2], optimizer.param_groups[0]["lr"], epoch)
torch.save(model.state_dict(), "./weights/model-{}.pth".format(epoch))
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--num_classes', type=int, default=5)
parser.add_argument('--epochs', type=int, default=100)
parser.add_argument('--batch-size', type=int, default=16)
parser.add_argument('--lr', type=float, default=0.001)
parser.add_argument('--lrf', type=float, default=0.1)
parser.add_argument('--data-path', type=str,
default=r"E:20240717data")
parser.add_argument('--weights', type=str, default='densenet121.pth',
help='initial weights path')
parser.add_argument('--freeze-layers', type=bool, default=False)
parser.add_argument('--device', default='cuda:0', help='device id (i.e. 0 or 0,1 or cpu)')
opt = parser.parse_args()
main(opt)
第四步：统计正确率
第五步：搭建GUI界面
视频演示地址：基于Pytorch框架的深度学习densenet121神经网络鸟类行为识别分类系统源码_哔哩哔哩_bilibili
第六步：整个工程的内容
有训练代码和训练好的模型以及训练过程，提供数据，提供GUI界面代码
代码见：基于Pytorch框架的深度学习densenet121神经网络鸟类行为识别分类系统源码
有问题可以私信或者留言，有问必答
相关知识
基于机器视觉的宠物狗远程监护系统
一种基于深度学习的宠物行为识别方法及系统
一种基于深度学习的宠物行为识别方法及系统与流程
基于web的流浪动物领养系统(源码+开题)
科学家都无法分辨的相似鸟类，这个神经网络可以做到！
探索AIDog：智能狗狗识别与行为理解的开源项目
Java计算机毕业设计的宠物交流平台系统（开题+源码+论文）
Springboot宠物医院系统源码附带运行视频教程
基于表征全局依赖关系的并行注意力机制鸟鸣声识别方法
小型动物分辨学习行为自动训练系统
网址: 基于Pytorch框架的深度学习densenet121神经网络鸟类行为识别分类系统源码 https://m.mcbbbk.com/newsview62236.html
| 上一篇: 中国科学院动物研究所鸟类行为功能 |
下一篇: 在宠物医院给小猫做一个绝育手术要 |
