Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/liu42/flowerclassify
基于 AlexNet 的花卉分类识别系统
https://github.com/liu42/flowerclassify
classification cnn cnn-classification computer-vision cv flask machine-learning torch
Last synced: 29 days ago
JSON representation
基于 AlexNet 的花卉分类识别系统
- Host: GitHub
- URL: https://github.com/liu42/flowerclassify
- Owner: LIU42
- Created: 2023-12-04T08:16:47.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2024-04-10T14:31:24.000Z (9 months ago)
- Last Synced: 2024-04-10T17:14:13.181Z (9 months ago)
- Topics: classification, cnn, cnn-classification, computer-vision, cv, flask, machine-learning, torch
- Language: Python
- Homepage:
- Size: 1.61 MB
- Stars: 6
- Watchers: 2
- Forks: 1
- Open Issues: 2
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Flower Classify
**基于 ResNet 的花卉分类识别系统，能有效区分 10 中不同类别的花卉。** [[English]](https://github.com/LIU42/FlowerClassify/blob/main/README-en.md)
## 项目简介
本项目为一个基础的花卉分类识别系统，采用 ResNet18 作为主干网络，包含模型的训练、测试以及线上部署（提供容器化部署）。
- 基于 PyTorch 框架进行模型的训练及测试。
- 模型采用 ONNX 格式部署，采用 ONNX Runtime 进行推理。
- 基于 Flask 框架实现 Web 接口。
- 使用 Docker 进行容器化部署。
*训练数据集来自 [Kaggle](https://www.kaggle.com/)，融合了多个数据集并进行了数据清洗，基于预训练模型进行训练，在当前数据集下准确率超过 98%。*
## 使用说明
### 安装环境依赖
首先使用 pip 安装如下的依赖：
```python
# 推理部署环境依赖
opencv-python~=4.10.0.84
numpy~=1.23.4
Flask~=3.0.3
PyYAML~=6.0
onnxruntime~=1.14.1
# 训练环境依赖
torch~=2.4.0
torchvision~=0.19.0
onnx~=1.16.2
```
*注：使用 pip 安装 opencv-python 可能会出现依赖不全的问题，推荐使用系统包管理器安装。*
### 启动 Web 服务
本项目 Web 服务的默认配置文件为 configs/server.yaml，其中各个属性对应的含义如下：
```yaml
precision: "fp32" # 推理运算精度，"fp32"（单精度）或 "fp16"（半精度）
providers: # ONNX Runtime Providers 参数
- "CPUExecutionProvider"
flower-names: # 花卉分类名称列表，包含所有花卉类别对应的标签（按顺序）
- "Bellflower"
- "Carnation"
...
```
将模型权重文件放入 inferences/models/ 目录后，执行以下命令启动 Web 服务：
```bash
flask --app inferences.server run --host="0.0.0.0" --port=9500
```
Web 服务接口描述如下：
```json5
/*
* URL: http://:9500/flowerclassify
* METHOD: POST
* BODY: form-data
* image: 待识别图像文件
*/
// 返回结果示例 (JSON)：
{
"name": "Rose",
"confidence": "1.000"
}
```
### 模型训练与评估
若要使用自己的数据集训练模型，准备好数据集、调整好模型输出格式后：
1. 根据需要调整 configs/train.yaml 中的各项参数，运行 train.py 即可开始训练，配置属性对应的含义如下：
```yaml
device: "cpu" # 设备名称，与 PyTroch 的设备名称保持一致
epochs: 50 # 训练迭代次数
learning-rate: 0.0002 # 学习率
batch-size: 32 # 批大小
num-workers: 0 # DataLoader 加载子进程数
num-classes: 10 # 模型分类类别数
load-checkpoint: false # 是否加载 checkpoint 继续训练，若为 true 则从 load-path 加载模型权重，反之则使用初始化模型权重开始训练
load-pretrained: true # 是否使用预训练参数初始化模型权重
load-path: "checkpoints/last.pt" # 待训练模型路径
best-path: "checkpoints/best.pt" # 当前验证集上最优模型保存路径
last-path: "checkpoints/last.pt" # 最后一次迭代模型保存路径
```
2. 运行 eval.py 以评估当前最优模型在测试集上的准确率（可选），默认的配置文件为 configs/eval.yaml，其中各个属性对应的含义如下：
```yaml
device: "cpu" # 设备名称，与 PyTroch 的设备名称保持一致
model-path: "checkpoints/best.pt" # 待评估模型路径
batch-size: 32 # 批大小
num-classes: 10 # 模型分类类别数
num-workers: 0 # DataLoader 加载子进程数
```
### 模型推理部署
部署需要将训练好的模型转换为 ONNX 格式，运行 export.py 即可将模型导出为 ONNX 格式，默认的配置文件为 configs/export.yaml，其中各个属性对应的含义如下：
```yaml
source-path: "checkpoints/best.pt" # 待导出的 PyTorch 格式模型路径
num-classes: 10 # 模型分类类别数
export-path-fp32: "inferences/models/flower-fp32.onnx" # fp32 精度模型导出路径
export-path-fp16: "inferences/models/flower-fp16.onnx" # fp16 精度模型导出路径
```
若要使用 Docker 进行容器化部署：
```bash
# 构建镜像
cd FlowerClassify
docker build -t flowerclassify:1.3.0 -f docker/Dockerfile .
# 创建容器并运行
docker run --rm -p 9500:9500 --name flowerclassify flowerclassify:1.3.0
```
*注：以上仅为一个示例，详情请参考 [Docker](https://docs.docker.com/) 文档。*