三叶青图像识别研究简概

三叶青图像识别研究总概

文章目录

  • 前言
  • 一、整体目录介绍
  • 二、前期安排
  • 三、构建图像分类数据集
  • 四、模型训练准备
  • 五、迁移学习模型
  • 六、在测试集上评估模型精度
  • 七、可解释性分析、显著性分析
  • 八、图像分类部署
  • 九、树莓派部署
  • 十、相关补充
  • 总结


前言

本系列文章为近期所做项目研究而作的研究介绍。算是我近期所学的一个总结吧, 同时也希望与各位多多交流学习。

文档介绍:星云文档
相关代码:github代码存储

链接:网盘存储
提取码:rzyy
–来自百度网盘超级会员V5的分享


一、整体目录介绍

图像分类部分的研究相关代码和文档目录
在这里插入图片描述

【1】构建图像分类数据集 ; 主要存放图像采集与整理、可视化采集图像、划分训练集验证集、统计各类别图像数量

【2】模型训练准备 ; 主要介绍在开始训练模型前所做的一些准备,例如训练环境的搭建、安排、记录等

【3】迁移学习模型 ;因为基于本人也是初次尝试做深度学习的实验,没有什么能力去优化模型结构和调整模型,故为了省时间直接采用迁移学习,其中我尝试了许多模型,也隐约有点训练模型的体会

【4】在测试集上评估模型精度 ; 训练得到模型后,为了查看模型的泛化能力,故在测试集上通过各种评估指标评估模型的精度

【5】可解释性分析、显著性分析 ;存放训练后模型可解释性分析、显著性分析的相关代码(暂无)

【6】图像分类部署 ; 存放将模型部署的方法的相关文档:本地部署、web部署、微信小程序部署、qt界面化部署。

【7】树莓派图像分类部署 ; 存放用树莓派将模型部署的教程以及相关的树莓派学习笔记

【8】相关补充 ; 存放有关此项目的一些补充,有实验记录、最终产出、后续安排以及SNP相关等

kaggle_jupyter ; 存放一些在kaggle上训练的notebook

model_zheng_path ; 存放训练得到的一些.pth模型文件

onnx_path ; 存放转化得到的onnx模型文件

kaggle_train.ipynb ; 是一个在kaggle上训练模型的notebook

README.md ; 是三叶青图像识别项目研究的简介文档

二、前期安排

参考文章、视频等教程如下:

合集·两天搞定人工智能毕业设计之【图像分类】

树莓派快速上手说明

Python+树莓派+Linux 快速上手;

树莓派教程十分钟玩转系列入门篇


主要是上面这些,其余更多也不记得了

三、构建图像分类数据集

【1】构建图像分类数据集 ; 主要存放图像采集与整理、可视化采集图像、划分训练集验证集、统计各类别图像数量

在这里插入图片描述

参考我的另一篇文章 【1】构建图像分类数据集

四、模型训练准备

构建完图像分类数据集后,就要开始训练我们的模型了,深度学习模型训练需要大量计算资源,也就是GPU。
可以在本地机器上使用GPU(如果有的话),或者在云服务上租用GPU资源。此外,还有专门为深度学习训练提供的服务,如Google的Colab和Kaggle。

参考我的另一篇文章 【2】模型训练准备

五、迁移学习模型

主要简述一下训练代码,主要是运用迁移学习的方法,将预训练模型在自定义的数据集上进行训练。

kaggle上临时发布的竞赛 https://www.kaggle.com/competitions/sanyeqing/data

参考我的另一篇文章 【3】迁移学习模型

六、在测试集上评估模型精度

将训练好的模型应用在测试集上,评估模型的效果

在这里插入图片描述

参考我的另一篇文章 【4】在测试集上评估模型精度

七、可解释性分析、显著性分析

推荐B站up主同济子豪兄的合集·两天搞定人工智能毕业设计之【图像分类】

八、图像分类部署

包括将训练好的模型部署在本地终端、web端、小程序上、qt界面化。

参考我的另一篇文章 【6】图像分类部署

该文主要介绍了如何将pytorch模型转为ONNX模型文件以及如何将图像识别模型部署,包括部署在本地、部署在web网页、小程序、qt界面部署。
在这里插入图片描述

九、树莓派部署

参考我的另一篇文章【7】树莓派图像分类部署

该文主要记录了我学习树莓派时的笔记,包括对树莓派的认识和组装、树莓派的运行和VNC远程连接、摄像头模块的使用、以及最后的使用yolov5来对象棋进行识别等。
(尝试了以下租用GPU 进行训练,不得不说与之前使用kaggle平台相比,还是氪金玩家比较爽。省去了配置环境的麻烦)
另外,也是因为目前暂时没有yolo的三叶青标记数据,所以数据是从其它教程中找过来的。

十、相关补充

存放一些有关这个项目研究的补充。

在这里插入图片描述
参考我的另一篇文章 【8】相关补充

该文主要介绍了关于进行的这个项目除了步骤方法的一些补充,包括实验记录、有关SNP位点筛选、阶段总结、后续安排等,


总结

本文主要介绍了近期来做的一个项目,这个项目可以说是从寒假就开始准备了,从最开始的SNP位点筛选到后面的图像识别模型训练,再到之后的上传实验结果、答辩等流程,差不多历时四个月吧。期间也是陆陆续续、磕磕碰碰,总之也就是一点一点的做下去。最后虽然还是有不少要继续完善、也就是和我最初预期的结果有所差距,也就是没做完,但怎么说大体的流程还是走下来了(我真棒)。

此时在写这个项目笔记的我,回望一下,发现累是真累啊,身累心累。(我当初怎么会想着做这个啊,只能说脑子gg了,哎,哎,哎),但是这个项目进行到现在这个阶段,不管说什么,也要继续下去,努力做好吧!

嗯,那之后我要
。。。在这里插入图片描述

2024/7/5

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/41538.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

工作助手VB开发笔记(2)

今天继续讲功能 2.功能 2.9开机自启 设置程序随windows系统启动,其实就是就是将程序加载到注册表 Public Sub StartRunRegHKLM()REM HKEY_LOCAL_MACHINE \ SOFTWARE \ WOW6432Node \ Microsoft \ Windows \ CurrentVersion \ RunDim strName As String Applicat…

教师商调函流程详解

作为一名教师,您是否曾面临过工作调动的困惑?当您决定迈向新的教育环境,是否清楚整个商调函流程的每一个细节?今天,就让我们一起来探讨这一过程,确保您能够顺利地完成工作调动。 首先需要确定新调入的学校已…

裁员风波中的项目经理,如何自洽?

最近都在担心企业裁员,那么项目经理会不会也有被优化的风险呢? 答案是,一定会! 今天从3个方面给大家阐述一下项目经理岗位的发展现状以及未来的趋势 01 项目经理被优化的可能性大吗? 02 哪一类项目经理会被最先裁员…

CSDN导入本地md文件图片不能正常回显问题

标题 搭建图像仓库获取图片URL 路径替换 因为服务器读取不到本地图片,故不能正常回显,因此想要正常回显图片,我们首先要做的就是搭建一个可以存放图片的服务器,像你可以选择购买一个云服务器、FastDFS图片服务器、Minio多云对象存…

信息收集-arping

信息收集-arping 简介 arping 是一个用于发送 ARP 请求和接收 ARP 回复的工具。它通常用于检查网络中的 IP 地址是否被使用,或发现网络中的重复 IP 地址。arping 工具类似于 ping 命令,但它使用的是 ARP 协议而不是 ICMP 协议。在 Kali Linux 中&#…

娱乐圈惊爆已婚男星刘端端深夜幽会

【娱乐圈惊爆!已婚男星刘端端深夜幽会,竟是《庆余年》二皇子“戏外风云”】在这个信息爆炸的时代,娱乐圈的每一次风吹草动都能瞬间点燃公众的热情。今日,知名娱乐博主刘大锤的一则预告如同投入湖中的巨石,激起了层层涟…

纸电混合阶段,如何在线上实现纸电会档案的协同管理?

随着国家政策的出台和引导,电子会计档案的管理越来越规范,电子会计档案建设成为打通财务数字化最后一公里的重要一环。但是,当前很多企业的财务管理仍处于电子档案和纸质档案并行的阶段,如何能将其建立合理清晰关联,统…

《数字图像处理-OpenCV/Python》第17章:图像的特征描述

《数字图像处理-OpenCV/Python》第17章:图像的特征描述 本书京东 优惠购书链接 https://item.jd.com/14098452.html 本书CSDN 独家连载专栏 https://blog.csdn.net/youcans/category_12418787.html 第17章:图像的特征描述 特征检测与匹配是计算机视觉的…

javascript v8编译器的使用记录

我的机器是MacOS Mx系列。 一、v8源码下载构建 1.1 下载并更新depot_tools git clone https://chromium.googlesource.com/chromium/tools/depot_tools.git export PATH/path/to/depot_tools:$PATH 失败的话可能是网络问题,可以试一下是否能ping通,连…

【代码随想录_Day25】452. 用最少数量的箭引爆气球 435. 无重叠区间 763. 划分字母区间

Day25 OK,今日份的打卡!第二十五天 以下是今日份的总结用最少数量的箭引爆气球无重叠区间划分字母区间 以下是今日份的总结 用最少数量的箭引爆气球无重叠区间划分字母区间 今天的题目难度不低,而且非常的有意思,尽量还是写一些…

imx6ull/linux应用编程学习(11)CAN应用编程基础

关于裸机的can通信,会在其他文章发,这里主要讲讲linux上的can通信。 与I2C,SPI等同步通讯方式不同,CAN通讯是异步通讯,也就是没有时钟信号线来保持信号接收同步,也就是所说的半双工,无法同时发送与接收&…

python项目常见使用的传参调试方法

简介 你是否经常遇到下载的github开源知名项目,不知如何调试?只知道按说明的命令行运行?遇到异常或想改造也无从下手?这篇文档章将指导你如何入手调试别人的大型开源项目。 常见项目使用说明及代码如何调试 常见情况一 使用说…

16.【C语言】初识常见关键字 上

1.关键字由C语言自带,不能自创 2.关键字不作变量名 3.关键字举例: auto自动:每个局部变量都由auto修饰,含义:自动创建,自动销毁 auto int a0;等价于int a0; exturn:申明外部符号 register:寄存器关键字…

数据治理的制胜法宝:筛斗数据技术在现代企业管理中的应用

数据治理的制胜法宝:筛斗数据技术在现代企业管理中的应用 在当今这个数据驱动的时代,企业管理的效率和竞争力越来越依赖于对数据的精准把握和高效利用。然而,随着企业规模的扩大和业务复杂度的增加,数据治理成为了一个亟需解决的…

EasyExcel 单元格根据图片数量动态设置宽度

在使用 EasyExcel 导出 Excel 时&#xff0c;如果某个单元格是图片内容&#xff0c;且存在多张图片&#xff0c;此时就需要单元格根据图片数量动态设置宽度。 经过自己的研究和实验&#xff0c;导出效果如下&#xff1a; 具体代码如下&#xff1a; EasyExcel 版本 <depen…

Haxm安装失败的解决办法

确认你的处理器是否是Intel的&#xff0c;如果是AMD那就无法安装&#xff0c;如果是Intel的&#xff0c;再确认是否支持V1T 如果处理器是Intel的且支持VT&#xff0c;在开机时进入BIOS界面&#xff0c;不同的品牌进入BIOS的方法各不相同&#xff0c;通常是F2/F12/delete些&…

Python爬虫零基础实战,简洁实用!

1.爬虫简介 简单来讲&#xff0c;爬虫就是一个探测机器&#xff0c;它的基本操作就是模拟人的行为去各个网站溜达&#xff0c;点点按钮&#xff0c;查查数据&#xff0c;或者把看到的信息背回来。就像一只虫子在一幢楼里不知疲倦地爬来爬去。 你可以简单地想象&#xff1a;每个…

论文学习 --- RL Maximumdiffusion reinforcement learning

前言 个人拙见,如果我的理解有问题欢迎讨论 (●′ω`●) 文章出处:https://techxplore.com/news/2024-05-random-robots-reliable-ai-algorithm.html 研究背景 最大扩散强化学习(MaxDiff RL)是一种创新的强化学习方法,借鉴了统计力学中的扩散过程和最大熵原理。该方法在…

Hadoop的namenode启动不起来

1、 排查原因 Initialization failed for Block pool (Datanode Uuid a5d441af-d074-4758-a3ff-e1563b709267) service to node1/192.168.88.101:8020. Exiting. java.io.IOException: Incompatible clusterIDs in /data/dn: namenode clusterID CID-674c5515-3fe1-4a9c-881d…

AIGC技术加持,英智法律智能体来了!

法律行业作为一个由大量文件积累的领域&#xff0c;非常适合由数据驱动的AI智能体。人工智能在法律领域的应用已经成为不可逆转的趋势。根据最高人民法院发布的《关于规范和加强人工智能司法应用的意见》&#xff0c;国家鼓励在司法领域广泛应用人工智能技术&#xff0c;以提高…