PyTorch图像分类完整代码实现
本仓库提供了一个利用PyTorch实现图像分类的完整代码，涵盖了从训练、预测、测试时增强（TTA）、模型融合、模型部署、CNN特征提取到使用SVM、随机森林等分类器的全流程。代码实现了多种功能，包括带有warmup的cosine学习率调整、多模型融合预测、使用Flask + Redis实现模型云端API部署、C++ LibTorch的模型部署、TTA测试时增强、标签平滑、CNN特征提取与分类器结合等。
功能列表
- 基础功能：
- 利用PyTorch实现图像分类。
- 带有warmup的cosine学习率调整。
- 多模型融合预测，包括加权与投票融合。
- 模型部署：
- 使用Flask + Redis实现模型云端API部署（tag v1）。
- C++ LibTorch的模型部署。
- 测试时增强（TTA）：
- 使用TTA进行预测（tag v1）。
- 标签平滑：
- 添加标签平滑的PyTorch实现（tag v1）。
- 特征提取与分类：
- 使用CNN提取特征，并使用SVM、随机森林（RF）、多层感知机（MLP）、KNN等分类器进行分类（tag v1）。
- 可视化特征层。
使用说明
- 训练模型：
- 使用提供的训练脚本进行模型训练，支持多种学习率调整策略。
- 模型预测：
- 使用预测脚本进行单张图片或批量图片的预测。
- 模型融合：
- 支持多模型融合预测，可以通过加权或投票方式进行融合。
- 模型部署：
- 使用Flask + Redis实现模型云端API部署，方便远程调用。
- 使用C++ LibTorch进行模型部署，适用于高性能需求场景。
- TTA测试时增强：
- 使用TTA进行预测，提高模型预测的鲁棒性。
- 标签平滑：
- 在训练过程中使用标签平滑，减少模型过拟合。
- 特征提取与分类：
- 使用CNN提取图像特征，并结合SVM、随机森林等分类器进行分类。
- 可视化特征层，便于分析模型中间层的表现。
注意事项
- 本代码基于PyTorch实现，建议使用PyTorch 1.x版本。
- 模型部署部分需要安装Flask、Redis等依赖库。
- 特征提取与分类部分需要安装scikit-learn等库。
参考
本代码参考了lxztju/pytorch_classification项目，感谢原作者的贡献。