flash网站在线diy源码,首页网站怎么做,品牌logo设计在线生成,网站到底是域名需要备案还是空间更多图像分类、图像识别、目标检测等项目可从主页查看
功能演示#xff1a;
皮肤病识别系统 vgg16 resnet50 卷积神经网络 GUI界面 前端界面#xff08;pytorch框架 python源码#xff09;_哔哩哔哩_bilibili
#xff08;一#xff09;简介
基于卷积神经网络的皮肤病识… 更多图像分类、图像识别、目标检测等项目可从主页查看
功能演示
皮肤病识别系统 vgg16 resnet50 卷积神经网络 GUI界面 前端界面pytorch框架 python源码_哔哩哔哩_bilibili
一简介
基于卷积神经网络的皮肤病识别系统是在pytorch框架下实现的系统中有两个模型可选resnet50模型和VGG16模型这两个模型可用于模型效果对比增加工作量。
该系统涉及的技术栈有GUI界面python pyqt5前端界面python flask
该项目是在pycharm和anaconda搭建的虚拟环境执行pycharm和anaconda安装和配置可观看教程
超详细的pycharmanaconda搭建python虚拟环境_pycharm配置anaconda虚拟环境-CSDN博客
pycharmanaconda搭建python虚拟环境_哔哩哔哩_bilibili
二项目介绍
1. 项目结构 2. 数据集 部分数据展示 3.GUI界面技术栈pyqt5python 4.前端界面技术栈pythonflask 5. 核心代码
class MainProcess:def __init__(self, train_path, test_path, model_name):self.train_path train_pathself.test_path test_pathself.model_name model_nameself.device torch.device(cuda:0 if torch.cuda.is_available() else cpu)def main(self, epochs):# 记录训练过程log_file_name ./results/vgg16训练和验证过程.txt# 记录正常的 print 信息sys.stdout Logger(log_file_name)print(using {} device..format(self.device))# 开始训练记录开始时间begin_time time()# 加载数据train_loader, validate_loader, class_names, train_num, val_num self.data_load()print(class_names: , class_names)train_steps len(train_loader)val_steps len(validate_loader)# 加载模型model self.model_load() # 创建模型# 网络结构可视化x torch.randn(16, 3, 224, 224) # 随机生成一个输入model_visual_path results/vgg16_visual.onnx # 模型结构保存路径torch.onnx.export(model, x, model_visual_path) # 将 pytorch 模型以 onnx 格式导出并保存# netron.start(model_visual_path) # 浏览器会自动打开网络结构# load pretrain weights# download url: https://download.pytorch.org/models/vgg16-397923af.pthmodel_weight_path models/vgg16-pre.pthassert os.path.exists(model_weight_path), file {} does not exist..format(model_weight_path)model.load_state_dict(torch.load(model_weight_path, map_locationcpu))# 更改Vgg16模型的最后一层model.classifier[-1] nn.Linear(4096, len(class_names), biasTrue)# 将模型放入GPU中model.to(self.device)# 定义损失函数loss_function nn.CrossEntropyLoss()# 定义优化器params [p for p in model.parameters() if p.requires_grad]optimizer optim.Adam(paramsparams, lr0.0001)train_loss_history, train_acc_history [], []test_loss_history, test_acc_history [], []best_acc 0.0for epoch in range(0, epochs):# 下面是模型训练model.train()running_loss 0.0train_acc 0.0train_bar tqdm(train_loader, filesys.stdout)# 进来一个batch的数据计算一次梯度更新一次网络for step, data in enumerate(train_bar):images, labels data # 获取图像及对应的真实标签optimizer.zero_grad() # 清空过往梯度outputs model(images.to(self.device)) # 得到预测的标签train_loss loss_function(outputs, labels.to(self.device)) # 计算损失train_loss.backward() # 反向传播计算当前梯度optimizer.step() # 根据梯度更新网络参数# print statisticsrunning_loss train_loss.item()predict_y torch.max(outputs, dim1)[1] # 每行最大值的索引# torch.eq()进行逐元素的比较若相同位置的两个元素相同则返回True若不同返回Falsetrain_acc torch.eq(predict_y, labels.to(self.device)).sum().item()train_bar.desc train epoch[{}/{}] loss:{:.3f}.format(epoch 1,epochs,train_loss)# 下面是模型验证model.eval() # 不启用 BatchNormalization 和 Dropout保证BN和dropout不发生变化val_acc 0.0 # accumulate accurate number / epochtesting_loss 0.0with torch.no_grad(): # 张量的计算过程中无需计算梯度val_bar tqdm(validate_loader, filesys.stdout)for val_data in val_bar:val_images, val_labels val_dataoutputs model(val_images.to(self.device))val_loss loss_function(outputs, val_labels.to(self.device)) # 计算损失testing_loss val_loss.item()predict_y torch.max(outputs, dim1)[1] # 每行最大值的索引# torch.eq()进行逐元素的比较若相同位置的两个元素相同则返回True若不同返回Falseval_acc torch.eq(predict_y, val_labels.to(self.device)).sum().item()train_loss running_loss / train_stepstrain_accurate train_acc / train_numtest_loss testing_loss / val_stepsval_accurate val_acc / val_numtrain_loss_history.append(train_loss)train_acc_history.append(train_accurate)test_loss_history.append(test_loss)test_acc_history.append(val_accurate)print([epoch %d] train_loss: %.3f val_accuracy: %.3f %(epoch 1, train_loss, val_accurate))if val_accurate best_acc:best_acc val_accuratetorch.save(model.state_dict(), self.model_name)# 记录结束时间end_time time()run_time end_time - begin_timeprint(该循环程序运行时间, run_time, s)# 绘制模型训练过程图self.show_loss_acc(train_loss_history, train_acc_history,test_loss_history, test_acc_history)# 画热力图self.heatmaps(model, validate_loader, class_names)
该系统可以训练自己的数据集训练过程也比较简单只需指定自己数据集中训练集和测试集的路径训练后模型名称和指定训练的轮数即可 训练结束后可输出以下结果
a. 训练过程的损失曲线 b. 模型训练过程记录模型每一轮训练的损失和精度数值记录 c. 模型结构 模型评估可输出
a. 混淆矩阵 b. 测试过程和精度数值 c. 准确率、精确率、召回率、F1值 三总结
以上即为整个项目的介绍整个项目主要包括以下内容完整的程序代码文件、训练好的模型、数据集、UI界面和各种模型指标图表等。
整个项目包含全部资料一步到位省心省力
项目运行过程如出现问题请及时交流
