Flower Classify

v1.4.0 新变化：调整数据增强重新训练模型。

项目简介

本项目为一个基于 ResNet 的花卉分类识别系统，能有效区分 10 中不同类别的花卉，采用 ResNet18 作为主干网络，包含模型的训练、测试以及线上部署（提供容器化部署）。

• 基于 PyTorch 框架进行模型的训练及测试。

• 模型采用 ONNX 格式部署，采用 ONNX Runtime 进行推理。

• 基于 Flask 框架实现 Web 接口。

• 使用 Docker 进行容器化部署。

训练数据集来自 Kaggle，融合了多个数据集并进行了数据清洗，基于预训练模型进行训练。

使用说明

安装环境依赖

首先使用 pip 安装本项目相关的依赖包：

pip install -r requirements.txt

启动 Web 服务

本项目 Web 服务的默认配置文件为 servers/configs/config.toml，其中各个字段描述如下。

字段名	字段描述
precision	模型推理精度，取值为 "fp32" (单精度) 和 "fp16" (半精度) 。
providers	模型推理 ONNX Runtime Execution Providers 列表。
image-size	模型输入图像缩放尺寸。
model-path	模型加载路径。

从本项目 Release 中下载 ONNX 格式的模型权重文件放入 servers/models 目录后，执行以下命令启动 Web 服务：

flask --app servers.server run --host="0.0.0.0" --port=9500

模型训练

若要使用自己的数据集训练模型，准备好数据集、调整好模型输出格式后，运行 train.py 即可开始训练，训练和验证默认的配置文件为 configs/config.toml，其中各个字段的描述如下。

字段名	字段描述
device	设备名称，与 PyTorch 的设备名称保持一致。
num-epochs	训练迭代次数。
num-workers	训练及评估数据加载进程数。
batch-size	训练数据批大小。
learning-rate	模型训练学习率。
weight-decay	模型训练权重衰减。
num-classes	模型输出类别数。
load-pretrained	是否使用预训练参数初始化模型权重。
load-checkpoint	是否加载 checkpoint 继续训练，若为 true 则从 load-path 加载模型权重，覆盖 load-pretrained 值，反之则使用初始化模型权重开始训练。
load-checkpoint-path	训练初始模型的加载路径，同时也为待评估模型加载路径。
best-checkpoint-path	训练中当前验证集最优模型保存路径。
last-checkpoint-path	训练中最后一次训练模型保存路径。

模型评估

模型训练完成后，运行 eval.py 以评估当前最优模型在测试集上的准确率，默认的配置文件及字段含义同上。

构建镜像

模型部署前需要转换为 ONNX 格式放入 servers/models 目录中。构建镜像使用的 Dockerfile 位于 docker 目录中，请参考 Docker 官方文档 进行镜像的构建和容器的运行。