在Tensorflow 2.0中在ImageNet上训练ResNet

准确性

满足深度残差学习中图像识别的要求。

提供了砝码。

Link: https://pan.baidu.com/s/1nwvkt3Ei5Hp5Pis35cBSmA

Code: y4wo

要求

Python版本：3.5.1

包装方式：

• Tensorflow 2.0.0
• 麻木
• OpenCV的Python
• tqdm

数据集

可以从http://www.image-net.org/下载ImageNet数据。

或者您可以与我联系以获取百度网盘的下载链接。

如果您想训练自己的数据，请修改data /和config.py中的所有文件。

用法

准备

所有训练设置都位于config.py中。您可以更改log_file和save_weight_file设置保存路径。

要使用默认配置，您应该在培训之前创建目录。

mkdir result
mkdir result/log
mkdir result/weight

对于config.py中的其他参数，除非您知道自己在做什么，否则不建议更改它们。

模型

Tensorflow 2.0中实现了各种版本的ResNet，分别是18、34、50、101和152。

来自 模型。ResNet  导入 ResNet 
模型 =  ResNet（50）

或者您可以在keras应用程序中导入模型

来自 tensorflow。喀拉斯邦。应用。resnet50  导入 ResNet50 
模型 =  ResNet50（权重= 无）

在中设置模型train.py，默认为ResNet-50 v2。

训练

python3 train.py

我的实验环境是

• i7-6850K @ 3.6GHz
• TITAN Xp，12GB

对于ResNet-50，平均训练速度为每秒2次迭代。因此，大约需要3天才能完成培训，共50个纪元。

如果为Allocator (GPU_0_bfc) ran out of memory trying to allocate...，请减小批次大小。

测试

load_weight_file在config.py中设置。

在测试代​​码中，将图像调整大小，以使短边为256。然后裁剪224 * 224区域作为输入。

python3 test.py 是中心农作物测试。

python3 test_10_crop.py是“ 深度残差学习中的图像识别”中提到的标准10幅测试。

python3 test_single_image.py是单张图片测试。在运行之前设置图像路径和模型路径。最终输出是类别名称和置信度。

例如，输入图像是

输出是

----------------------------------------
image: ILSVRC2012_val_00000321.JPEG
classification result:computer_keyboard
confidence:0.7444
----------------------------------------

文章来源：https://github.com/Apm5/ImageNet_ResNet_Tensorflow2.0