首页分享猫狗大战（Cats Vs Dogs）Pytorch版

猫狗大战（Cats Vs Dogs）Pytorch版

来源：萌宠菠菠乐园时间：2024-11-25 12:49

猫狗大战一、下载代码和数据集二、运行步骤2.1 将代码上传到服务器上2.2 运行train.py2.3 创建目录2.4 修改test.py2.5 运行test.py 三、问题

本文主要参考CNN入门+猫狗大战(Dogs vs. Cats)+PyTorch入门，原文作者给出了代码，并且讲解的十分详细，大家可以先去看原文，然后再通过阅读本文了解具体怎么跑起来此代码。本文主要是将数据集添加到了项目中，并且对修改了一点测试的代码。

一、下载代码和数据集

本文最上方的资源是上面那个链接的作者的代码，我只是将数据集添加到了里面，如果需要的话直接下载即可。

二、运行步骤

2.1 将代码上传到服务器上

2.2 运行train.py

源代码的readme文件中写的是先将代码中各个文件夹路径进行修改，我经过实践发现这步是不需要的，可以直接运行train.py就能训练模型了。

2.3 创建目录

创建目录test_imgs，注意层级关系，是和data同级的。关于为什么创建请接着看2.4
在这里插入图片描述

2.4 修改test.py

因为我运行原作者的new version时是跑不通的，但是运行原作者old version是可以跑的通的，但是它每次只能测试一张图片，并且在服务器中使用plt显示图片并没有任何的效果，所以我直接将代码修改为：

预测测试集中所有的图片将预测的图片保存到./test_imgs/目录（./指的是test.py的当前目录）下，并且将图片命名为{index+1}_cat/dog.jpg，其中index+1表示当前图片是测试集中的第几张图片，cat/dog表示如果model预测当前图片中是小猫的话，就存为cat，如果预测结果为小狗的话就存为dog

from getdata import DogsVSCatsDataset as DVCD from network import Net import torch from torch.autograd import Variable import numpy as np import torch.nn.functional as F import torch.nn as nn import matplotlib.pyplot as plt from PIL import Image import random import os import getdata dataset_dir = './data/' # 数据集路径 model_file = './model/model.pth' # 模型保存路径 N = 1 # my version def test(): model = Net() # 实例化一个网络 model.cuda() # 送入GPU，利用GPU计算 model = nn.DataParallel(model) model.load_state_dict(torch.load(model_file)) # 加载训练好的模型参数 model.eval() # 设定为评估模式，即计算过程中不要dropout datafile = DVCD('test', dataset_dir) # 实例化一个数据集 print('Dataset loaded! length of train set is {0}'.format(len(datafile))) # index = np.random.randint(0, datafile.data_size, 1)[0] # 获取一个随机数，即随机从数据集中获取一个测试图片 # 将测试集中所有的图片都测试一遍 for index in range(datafile.data_size): print(f"第{index+1}图片开始测试") img = datafile.__getitem__(index) # 获取一个图像 img = img.unsqueeze(0) # 因为网络的输入是一个4维Tensor，3维数据，1维样本大小，所以直接获取的图像数据需要增加1个维度 img = Variable(img).cuda() # 将数据放置在PyTorch的Variable节点中，并送入GPU中作为网络计算起点 # print(img) out = model(img) # 网路前向计算，输出图片属于猫或狗的概率，第一列维猫的概率，第二列为狗的概率 out = F.softmax(out, dim=1) # 采用SoftMax方法将输出的2个输出值调整至[0.0, 1.0],两者和为1 print(f"概率为：{out}") # 输出该图像属于猫或狗的概率 img = Image.open(datafile.list_img[index]) # 打开测试的图片 if out[0, 0] > out[0, 1]: # 猫的概率大于狗 print('the image is a cat') img.save(f"./test_imgs/{index+1}_cat.jpg") # 服务器好像不能plt显示，所以我们保存下来 else: # 猫的概率小于狗 print('the image is a dog') img.save(f"./test_imgs/{index+1}_dog.jpg") # 服务器好像不能plt显示，所以我们保存下来 # new version # def test(): # # setting model # model = Net() # 实例化一个网络 # model.cuda() # 送入GPU，利用GPU计算 # model = nn.DataParallel(model) # model.load_state_dict(torch.load(model_file)) # 加载训练好的模型参数 # model.eval() # 设定为评估模式，即计算过程中不要dropout # # get data # files = random.sample(os.listdir(dataset_dir), N) # 随机获取N个测试图像 # imgs = [] # img # imgs_data = [] # img data # for file in files: # img = Image.open(dataset_dir + file) # 打开图像 # img_data = getdata.dataTransform(img) # 转换成torch tensor数据 # imgs.append(img) # 图像list # imgs_data.append(img_data) # tensor list # imgs_data = torch.stack(imgs_data) # tensor list合成一个4D tensor # # calculation # out = model(imgs_data) # 对每个图像进行网络计算 # out = F.softmax(out, dim=1) # 输出概率化 # out = out.data.cpu().numpy() # 转成numpy数据 # # pring results 显示结果 # for idx in range(N): # plt.figure() # if out[idx, 0] > out[idx, 1]: # plt.suptitle('cat:{:.1%},dog:{:.1%}'.format(out[idx, 0], out[idx, 1])) # else: # plt.suptitle('dog:{:.1%},cat:{:.1%}'.format(out[idx, 1], out[idx, 0])) # plt.imshow(imgs[idx]) # plt.show() # # old version # def test(): # model = Net() # 实例化一个网络 # model.cuda() # 送入GPU，利用GPU计算 # model = nn.DataParallel(model) # model.load_state_dict(torch.load(model_file)) # 加载训练好的模型参数 # model.eval() # 设定为评估模式，即计算过程中不要dropout # datafile = DVCD('test', dataset_dir) # 实例化一个数据集 # print('Dataset loaded! length of train set is {0}'.format(len(datafile))) # index = np.random.randint(0, datafile.data_size, 1)[0] # 获取一个随机数，即随机从数据集中获取一个测试图片 # print(f"idx={index}") # img = datafile.__getitem__(index) # 获取一个图像 # img = img.unsqueeze(0) # 因为网络的输入是一个4维Tensor，3维数据，1维样本大小，所以直接获取的图像数据需要增加1个维度 # img = Variable(img).cuda() # 将数据放置在PyTorch的Variable节点中，并送入GPU中作为网络计算起点 # print(img) # out = model(img) # 网路前向计算，输出图片属于猫或狗的概率，第一列维猫的概率，第二列为狗的概率 # out = F.softmax(out, dim=1) # 采用SoftMax方法将输出的2个输出值调整至[0.0, 1.0],两者和为1 # print(out) # 输出该图像属于猫或狗的概率 # if out[0, 0] > out[0, 1]: # 猫的概率大于狗 # print('the image is a cat') # else: # 猫的概率小于狗 # print('the image is a dog') # img = Image.open(datafile.list_img[index]) # 打开测试的图片 # plt.figure('image') # 利用matplotlib库显示图片 # plt.imshow(img) # plt.show() if __name__ == '__main__': test() # n = 10 # for i in range(n): # print(i)

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124