a站播放量最高的视频,小企业网站建设口碑,广告优化师怎么学,公司网站建设代理怎么做目标分类 一、目标分类介绍1.1 二分类和多分类的区别1.2 单标签和多标签输出的区别 二、代码获取三、数据集准备四、环境搭建4.1 环境测试 五、模型训练六、模型测试6.1 多标签训练-单标签输出结果6.2 多标签训练-多标签输出结果 一、目标分类介绍
目标分类是一种监督学习任务… 目标分类 一、目标分类介绍1.1 二分类和多分类的区别1.2 单标签和多标签输出的区别 二、代码获取三、数据集准备四、环境搭建4.1 环境测试 五、模型训练六、模型测试6.1 多标签训练-单标签输出结果6.2 多标签训练-多标签输出结果 一、目标分类介绍
目标分类是一种监督学习任务其目标是根据输入数据的特征将其分配到预定义的类别中。这种分类方法在许多实际应用中都有广泛的应用如垃圾邮件检测、图像识别、情感分析等。
目标分类的基本流程包括数据预处理如清洗、标准化、特征提取、模型选择和训练、模型评估和优化。其中模型的选择和训练是关键步骤常见的分类算法有决策树、支持向量机、神经网络等。
目标分类的优点是可以自动地进行分类无需人工干预同时也可以通过调整模型参数来提高分类的准确性。但是目标分类也存在一些挑战如数据的不平衡问题、过拟合问题等。
1.1 二分类和多分类的区别
二分类是指将样本分为两个类别多分类是指将样本分为多个类别。在机器学习中常见的分类算法有决策树、支持向量机、神经网络等。其中决策树是一种基于规则的分类算法支持向量机是一种基于间隔最大化的分类算法神经网络是一种基于非线性映射的分类算法。对于多分类问题可以采用一对多的模型即将一个二分类器用于多个类别的预测也可以采用多对多的模型即将多个二分类器用于多个类别的预测 。
1.2 单标签和多标签输出的区别
单标签输出是指模型的输出只有一个预测值即 f (x) y。多标签输出是指模型的输出具有多个预测值即 f (x_1,x_2,…,x_n) y_1, y_2,…,y_n。在多标签分类中每个输入样本需要零个或多个标签作为输出同时需要输出 。
二、代码获取
支持自定义数据集训练支持网络架构resnet18,resnet50,mobilenet_v2,googlenet整套训练代码和测试代码Pytorch版本支持多种优化器选择支持选择多种损失函数交叉熵、labelSmoothing、BCE等所有的配置文件写在yaml文件更方便管理 三、数据集准备 四、环境搭建
安装python、torch、torchvision和pip安装requirements 安装python可以通过anaconda安装虚拟环境python 3.7.11 torch和torchvision版本是torch 1.8.0cpu和torchvision 0.9.0cpu
如果安装gpu就去这里面下载对应的torch和torchvision的版本就行需要先安装cudahttps://download.pytorch.org/whl/torch_stable.html
参考这篇博客点击
4.1 环境测试 五、模型训练 然后运行python train.py即可开始训练。
六、模型测试 设置以上五个地方。由于网络真实预测的时候可能会出现一张图片包含多种分类的目标。考虑到这种情况就不能简单的用argmax来获取最大值的索引了所以我们应该通过设置阈值来记录相应类别的索引然后再根据索引回溯到我们原始的目标信息。 修改后的代码如下 # 单标签分类pred_index np.argmax(prob_scores, axis1)pred_score np.max(prob_scores, axis1)修改为 def filter_array(self, arr, threshold):# 获取满足条件的索引和值arr arr.flatten()indices np.where(arr threshold)[0]values arr[indices]return indices, valuespred_index,pred_score self.filter_array(prob_scores, threshold)这里的阈值可以直接通过参数来进行设置。 6.1 多标签训练-单标签输出结果
如果只需要输出单个目标需要修改成以下地方
6.2 多标签训练-多标签输出结果
修改成这样
