基于Densenet和Xception融合的102种鲜花识别

基于Densenet&Xception融合的102种鲜花识别

开启掘金成长之旅！这是我参与「掘金日新计划 · 2 月更文挑战」的第 15 天，PaddleAPI

# 经过step-1处理后的的预训练模型
pretrained_model_path = 'models/step-8_model/'
 
# 加载经过处理的模型
fluid.io.load_params(executor=exe, dirname=pretrained_model_path)

# 定义输入数据维度
feeder = fluid.DataFeeder(place=place, feed_list=[image, label])
 
# 迭代一次，测试程序是否跑通。
for pass_id in range(1):
    # 进行训练
    for batch_id, data in enumerate(train_reader()):
        train_cost, train_acc = exe.run(program=fluid.default_main_program(),
                                        feed=feeder.feed(data),
                                        fetch_list=[avg_cost, acc])
        # 每100个batch打印一次信息
        if batch_id % 10 == 0:
            print('Pass:%d, Batch:%d, Cost:%0.5f, Accuracy:%0.5f' %
                  (pass_id, batch_id, train_cost[0], train_acc[0]))

# 保存参数模型
save_pretrain_model_path = 'models/step-6_model/'

# 删除旧的模型文件
shutil.rmtree(save_pretrain_model_path, ignore_errors=True)
# 创建保持模型文件目录
os.makedirs(save_pretrain_model_path)

# 保存推断模型
fluid.io.save_inference_model(dirname=save_pretrain_model_path, feeded_var_names=['image'],
    target_vars=[model], executor=exe)

六、预测

# 加载推断模型

use_gpu = True    
place = fluid.CUDAPlace(0) if use_gpu else fluid.CPUPlace()    
exe = fluid.Executor(place)    
save_freeze_dir = 'models/step-6_model/'    
[inference_program, feed_target_names, fetch_targets] = fluid.io.load_inference_model(dirname=save_freeze_dir, executor=exe)   

# 读取测试数据

from PIL import Image
import numpy as np

def reader(img_path):
    img = Image.open(img_path)
    if img.mode != 'RGB':
        img = img.convert('RGB')
    img = img.resize((640, 640), Image.ANTIALIAS)   
    img = np.array(img).astype('float32')    
    img -= [127.5, 127.5, 127.5]
    img = img.transpose((2, 0, 1))  # HWC to CHW    
    img *= 0.007843    
    img = img[np.newaxis,:]   
    return img

# 单例模式，预测数据
# 此处直接生成比赛提交用的CSV文件，大家可以去平台上提交，测试自己的得分哦。

img_list = os.listdir('data/data30606/54_data/')
img_list.sort()
img_list.sort(key=lambda x: int(x[:-4]))  ##文件名按数字排序
img_nums = len(img_list)
# print(img_list)

test_path = 'data/data30606/54_data/test/'
# img_path = test_path + img_list[i]   
labels = []
for i in range(img_nums):   
    img_path = test_path + img_list[i]
    tensor_img = reader(img_path)    
    label = exe.run(inference_program, feed={feed_target_names[0]: tensor_img}, fetch_list=fetch_targets)    
    lab = np.argmax(label)   
    # print(lab)
    labels.append(lab)

submit = pd.DataFrame()
    
submit[1] = labels
submit.to_csv('submit123.csv', header=False)

总结

总体来说，这种融合方法不是很优雅，相对于计算量的提升所带来的精度提升收益不是很大，比赛中有人这么干，但是有AIstudio，

显卡算力足够，大家可以尽情的堆，精度越高，比赛排名越高。

下面是我的得分，大家可以调整迭代次数、学习率等超参，或者增加全连接层，添加DropOut，来调整网络，大家加油哦。