如何制作能够分类120种小狗的图像分类器

这篇文章会讲解如何制作能够分类120种小狗的图像分类器。

这篇文章中所讲述的内容都是基于colab notebook和fastai技术的深度学习的应用。

为什么使用colab？

使用colab的好处是，你不需要有任何显卡GPU，colab中提供了一块免费的k80带12G显存的GPU

colab是google提供的一个免费的Jupyter notebook的环境，可以省去安装它的功夫

为什么使用fastai？

fastai是一种超级简洁的深度学习工具，代码上甚至比当前Keras还要简洁。

底层是pytorch，能够提供高速的处理性能。

和之前文章中的两个物种（猫和狗）的分类略有不同，这次使用的数据集全部是狗，需要把这些狗分到不同的类别中。也就是说，图片之间特征的区别的差异要比之前猫和狗分类的来的更加细微。

好吧，接下来我们看看如何动手制作。

1.在colab的作业本中配置fastai的环境

!curlhttps://course.fast.ai/setup/colab|bash

2.导入fastai包

fromfastaiimport*fromfastai.visionimport*

3.加载kaggle.json

这里我们准备从kaggle下载所需要的狗的数据集，如果你可以从其他地方得到数据集，那么可以省略步骤3和4，按照自己的方法在环境中导入数据集即可。

!mkdir/content/.kaggle/!mkdir/content/data/dogsbreed/PATH="/content/data/dogsbreed/"fromgoogle.colabimportfiles#loadfromuploaddialoguploaded=files.upload()forfninuploaded.keys():withopen(f'/content/.kaggle/{fn}','wb')asf:f.write(uploaded[fn])

4.安装kaggle环境

!chmod600/content/.kaggle/kaggle.json!pipinstallkaggle!cp/content/.kaggle/kaggle.json~/.kaggle/kaggle.json!kaggleconfigset-npath-v{/content}importkaggle!kagglecompetitionsdownload-p/content/data/dogsbreed/dog-breed-identification

从结果中可以看到，我们已经从kaggle成功的下载了数据集文件。

5.验证GPU

torch.cuda.is_available()#Truetorch.backends.cudnn.enabled#True

6.解压缩文件

!cd/content/data/dogsbreed&&unziplabels.csv.zip!cd/content/data/dogsbreed&&unzipsample_submission.csv.zip!cd/content/data/dogsbreed&&unziptest.zip!cd/content/data/dogsbreed&&unziptrain.zip

7.读取label.csv

labels_df=pd.read_csv(f'{PATH}labels.csv')labels_df.head()

这里我们可以看到labels.csv中的前五条数据

8.查看狗的类别

labels_df.pivot_table(index='breed',aggfunc=len).sort_values('id',ascending=False)

这里可以看到一共有120行数据，也就是120种狗的类别，以及每种类别里面有多少条数据。

9.加载数据集并显示

data=ImageDataBunch.from_csv(PATH,folder='train',valid_pct=0.2,ds_tfms=get_transforms(),size=224,test='test',suffix='.jpg',bs=64).normalize(imagenet_stats)data.show_batch(rows=3,figsize=(10,12))

如果一切顺利，这里会显示出9张狗的图片，并且图片上方会显示相应的狗的类别。

如果只显示了图片，而图片上的标签不是类别的话，那说明数据导入部分存在问题。

OK，我们继续下一步。

10.下载与训练模型并微调

learner=create_cnn(data,models.resnet101,metrics=[accuracy])learner.fit_one_cycle(10)

这里我们设置了10个epoch，会稍微花费点时间大约40分钟。

可以看到，在最后一个epoch时候，我们的精度在89%。当然我们还可以继续调优：）

或者直接从零开始对每一层权重的训练，这都是可以的。

到这里我们就已经成功的完成了一个120种狗狗的图片分类器的制作啦，怎么样？是不是很简单？希望这篇文章可以给每一个前来阅读的朋友带来收获，对深度学习，图像分类有一个直接的体会。