跳到主要内容

图像分类

图像分类模型采用轻量级架构，推理速度快、计算效率高，在保持高分类精度的同时实现低延迟预测。输出为图像级类别标签，适用于快速图像分类、内容过滤及预处理等场景。

图像分类特点：

  • 数据标注简单
  • 训练速度快
  • 推理速度快、延迟低
  • 准确率高

图像分类在很多场景中都有应用，也经常作为复杂任务中的一个环节。如：

  • 图像预筛选
  • 颜色分类
  • 方向分类
  • 零部件分类等。

准备数据集​

文件结构​

图像分类任务建议按照如下方式创建文件夹；

  1. 通常单个任务为 1 个文件夹，如最外层的【颜色分类】；任务文件夹下包含 1-训练集、2-AI模型 和项目文件。
  2. 训练集：参考下方分类模型的训练集中的介绍
  3. 2-AI模型：存放训练完成的模型，此外还有模型训练日志、过漏检数据、中间结果等。
  4. Demo-颜色分类.dva 为 AI 项目文件，在创建项目后自动生成，里面保存了当前任务的设置，如数据路径，训练参数等。

示例目录结构：

颜色分类/
├─ 1-训练集/
├─ 2-AI模型/
└─ Demo-颜色分类.dva

分类模型的训练集​

分类模型的类别按照训练集中的第一层文件夹的名称，在颜色分类任务中，有9个文件夹，名称分别是 白色、橙色、粉色、红色、黄色、蓝色、浅绿色、深绿色、紫色；

alt text

分类标注​

图像分类的标注过程很简单，只需要将图像放入对应类别的文件夹中即可。

alt text

创建项目​

项目名称可以按需设置，数据集路径选择 1-训练集，工作目录选择 2-AI模型，任务类型选择【图像分类】。

创建图像分类项目，模型路径为 2-AI模型

新项目创建完成后会出现在项目列表的第一个，点击【项目名称】可以进入，该项目。

alt text

项目详情​

项目详情中可核对数据集路径和工作目录；工作目录应指向任务文件夹中的 2-AI模型。

数据分析​

训练前，需要【加载数据集】，这个过程会读取数据路径中的所有标注数据信息，统计类别数量，自动计算神经网络中的神经元个数。 alt text

数据增强​

分类模型的尺寸大小通常设置为 224×224，其他的数据增强可以按需设置，如随机调整亮度和对比度等。

alt text

训练参数​

  • 数据集比例通常设置为 8: 2 或 9:1。

  • 数据倍增：在初期数据量较少（10张左右时），数据倍增参数设置为 10-20；随着数据增加，数据倍增参数相应减少，通常为 5、4、2，数据量极大时（>2000），设置为 1。本次实验中可以设置为 5。

  • 训练参数通常使用默认参数，在【评估参数】中勾选【保存过漏检数据】可以查看过漏检数据。

alt text

训练记录​

  • 训练时间：183张图，RTX4090 笔记本，数据倍增 5，尺寸 224，分类模型训练时间约为 64 秒。
  • Loss 曲线：正确的趋势为逐步下降并收敛。
  • 准确率曲线：正确的趋势为逐渐上升并收敛。
  • 混淆矩阵可以显示不同类别之间的过漏检情况。

alt text

alt text

AI 模型​

训练完成的模型保存在任务文件夹的 2-AI模型 目录中。

在测试平台中测试模型结果​

可以在训练记录中一键跳转到测试平台，会自动加载训练集和 AI 模型；也可以手动打开测试平台，加载需要测试的数据和模型。 alt text

alt text

推理速度​

alt text