猫狗识别 - AI图片分类的样例

更多项目请查看 https://www.flyai.com

项目官方网址

该数据有猫和狗两类图片，一共有25000张图片，猫狗各占一半，可以用来做图片分类的入门数据。

样例代码说明
app.yaml

是项目的配置文件，项目目录下必须存在这个文件，是项目运行的依赖。

processor.py

样例代码中已做简单实现，可供查考。

处理数据的输入输出文件，把通过csv文件返回的数据，处理成能让程序识别、训练的矩阵。

可以自己定义输入输出的方法名，在app.yaml中声明即可。

def input_x(self, image_path): ''' 参数为csv中作为输入x的一条数据，会被Dataset类中的next_batch()方法多次调用。 :params: 输入的数据列表 :return: 返回矩阵 ''' pass def input_y(self, label): ''' 参数为csv中作为输入y的一条数据，会被Dataset类中的next_batch()方法多次调用。 :params: 数据标签列表 :return: 返回矩阵 ''' pass def output_y(self, data): ''' 验证时使用，把模型输出的y转为对应的结果 :param data: 预测返回的数据 :return: 返回预测的标签 ''' pass

main.py

样例代码中已做简单实现，可供查考。

程序入口，编写算法，训练模型的文件。在该文件中实现自己的算法。

通过dataset.py中的next_batch方法获取训练和测试数据。

# 数据获取辅助类 dataset = Dataset() x_train, y_train, x_test, y_test = dataset.next_batch(BATCH)

通过model.py中的save_model方法保存模型

# 模型操作辅助类 model = Model(dataset) model.save_model(YOU_NET)

如果使用PyTorch框架，需要在net.py文件中实现网络。其它用法同上。

model.py

样例代码中已做简单实现，可供查考。

训练好模型之后可以继承flyai.model.base包中的base重写下面三个方法实现模型的保存、验证和使用。

def predict(self, path, name, **data): ''' 使用模型 :param path: 模型所在的路径 :param name: 模型的名字 :param data: 模型的输入的一个或多个参数 :return: ''' pass def evaluate(self, path, name): ''' 验证模型 :param path: 模型的路径 :param name: 模型的名字 :return: 返回验证的准确率 ''' pass def save_model(self, network, path=MODEL_PATH, name=MODEL_NAME, overwrite=False): ''' 保存模型 :param network: 训练模型的网络 :param path: 要保存模型的路径 :param name: 要保存模型的名字 :param overwrite: 是否覆盖当前模型 :return: ''' self.check(path, overwrite)

predict.py

样例代码中已做简单实现，可供查考。

对训练完成的模型使用和预测。

path.py

可以设置数据文件、模型文件的存放路径。

dataset.py

该文件在FlyAI开源库的flyai.dataset包中，通过next_batch(BATCH)方法获得x_train y_train x_test y_test数据。

FlyAI开源库可以通过pip3 install -i https://pypi.flyai.com/simple flyai 安装。

FlyaI终端命令
1. 下载项目并解压
2. 使用终端进入到项目的根目录下

cd /path/to/project

3. 初始化环境并登录

给flyai授权，在终端下执行chmod +x ./flyai

在终端下执行 ./flyai init ，下载完成之后，使用微信扫码登录。

登录成功之后，会自动下载运行所需环境。

4. 本地开发调试

在终端下执行 ./flyai test ，会安装项目所需依赖，并运行 main.py。

如果使用本地IDE开发，可以自行安装 requirements.txt 中的依赖，运行main.py即可。

5.提交训练到GPU

项目中如果有新的引用，需要加入到 requirements.txt 文件中。

在终端下执行 ./flyai train 返回sucess状态，代表提交离线训练成功。

训练结束会以微信和邮件的形式发送通知，训练结果可在通知中查看。