首頁猿問提高多類圖像分類器的準確性

提高多類圖像分類器的準確性

Python

江戶川亂折騰 2022-12-06 15:34:56

我正在使用 Food-101 數(shù)據(jù)集構建分類器。該數(shù)據(jù)集具有預定義的訓練集和測試集，均已標記。它共有 101,000 張圖像。我正在嘗試為 top-1 構建一個 >=90% 準確度的分類器模型。我目前坐在 75%。提供的訓練集不干凈。但是現(xiàn)在，我想知道我可以改進我的模型的一些方法以及我做錯了什么。我已將訓練圖像和測試圖像劃分到各自的文件夾中。在這里，我使用 0.2 的訓練數(shù)據(jù)集通過運行 5 個時期來驗證學習者。np.random.seed(42)data = ImageList.from_folder(path).split_by_rand_pct(valid_pct=0.2).label_from_re(pat=file_parse).transform(size=224).databunch()top_1 = partial(top_k_accuracy, k=1)learn = cnn_learner(data, models.resnet50, metrics=[accuracy, top_1], callback_fns=ShowGraph)learn.fit_one_cycle(5)epoch train_loss valid_loss accuracy top_k_accuracy time0 2.153797 1.710803 0.563498 0.563498 19:261 1.677590 1.388702 0.637096 0.637096 18:292 1.385577 1.227448 0.678746 0.678746 18:363 1.154080 1.141590 0.700924 0.700924 18:344 1.003366 1.124750 0.707063 0.707063 18:25在這里，我試圖找到學習率。在講座中的表現(xiàn)非常標準：learn.lr_find()learn.recorder.plot(suggestion=True)LR Finder is complete, type {learner_name}.recorder.plot() to see the graph.Min numerical gradient: 1.32E-06Min loss divided by 10: 6.31E-08使用 1e-06 的學習率再運行 5 個 epoch。將其保存為 stage-2learn.fit_one_cycle(5, max_lr=slice(1.e-06))learn.save('stage-2')epoch train_loss valid_loss accuracy top_k_accuracy time0 0.940980 1.124032 0.705809 0.705809 18:181 0.989123 1.122873 0.706337 0.706337 18:242 0.963596 1.121615 0.706733 0.706733 18:383 0.975916 1.121084 0.707195 0.707195 18:274 0.978523 1.123260 0.706403 0.706403 17:04之前我總共運行了 3 個階段，但模型沒有改進超過 0.706403，所以我不想重復。下面是我的混淆矩陣。我為糟糕的決議道歉。這是 Colab 的功勞。因為我已經創(chuàng)建了一個額外的驗證集，所以我決定使用測試集來驗證已保存的 stage-2 模型，看看它的表現(xiàn)如何：path = '/content/food-101/images'data_test = ImageList.from_folder(path).split_by_folder(train='train', valid='test').label_from_re(file_parse).transform(size=224).databunch()learn.load('stage-2')learn.validate(data_test.valid_dl)這是結果：[0.87199837, tensor(0.7584), tensor(0.7584)]

查看完整描述

1 回答

守著一只汪

TA貢獻1872條經驗獲得超4個贊

嘗試從 torchvision 變換中進行增強，例如 RandomHorizontalFlip、RandomResizedCrop、RandomRotate、Normalize 等。這些總是對分類問題有很大幫助。
標簽平滑和/或混合精度訓練。
只需嘗試使用更優(yōu)化的架構，例如 EfficientNet。
代替 OneCycle，更長時間、更手動的訓練方法可能會有所幫助。嘗試權重衰減為 5e-4 且 Nesterov 動量為 0.9 的隨機梯度下降。使用大約 1-3 個 epoch 的熱身訓練，然后進行大約 200 個 epoch 的常規(guī)訓練。您可以設置手動學習率計劃或余弦退火或其他一些方案。整個方法將比通常的單周期訓練消耗更多的時間和精力，只有在其他方法沒有顯示出可觀的收益時才應探索。