街景主观感知模型训练与大规模预测实践分享

街景主观感知模型训练大规模预测 place pluse数据集 自定义数据集 模型训练预测 街景主观感知程序beautiful, safer等自定义维度多模型对比ResNet50ResNet101EfficientNet、VGGNet、GoogleNet、DenseNet、MobileNet、ShuffleNet、Xception、ConvNeXt、Vision Transformer (ViT)、RegNet等我自己是用420张图片分别训练了beautifulsafer模型最好精度0.89很高了我才用了420张图片平均每张图片对比才16次在街景分析领域主观感知模型的训练与预测一直是个有趣且富有挑战的课题。最近我在这方面做了一些尝试今天就来跟大家分享一下过程和收获。数据集的选择与构建我使用了place plus数据集作为基础同时还构建了自定义数据集。自定义数据集对于贴合特定任务需求十分关键。比如在这次针对街景主观感知程序中像 “beautiful” 和 “safer” 这样自定义维度的分析标准往往很主观现成数据集不一定能满足自定义数据集就能精准地收集我们需要的数据。模型训练与预测训练模型的过程是整个项目的核心。我尝试了多种模型进行对比包括ResNet50、ResNet101、EfficientNet、VGGNet、GoogleNet、DenseNet、MobileNet、ShuffleNet、Xception、ConvNeXt、Vision Transformer (ViT)、RegNet等等。这里以使用PyTorch框架搭建ResNet50模型为例简单看看代码结构import torch import torch.nn as nn import torchvision.models as models # 加载预训练的ResNet50模型 model models.resnet50(pretrainedTrue) # 修改全连接层以适应自定义任务假设类别数为2对应beautiful和safer两种判断 num_ftrs model.fc.in_features model.fc nn.Linear(num_ftrs, 2) # 定义损失函数和优化器 criterion nn.CrossEntropyLoss() optimizer torch.optim.SGD(model.parameters(), lr0.001, momentum0.9) # 训练循环示例 for epoch in range(10): # 假设训练10个epoch running_loss 0.0 for i, data in enumerate(train_loader, 0): inputs, labels data optimizer.zero_grad() outputs model(inputs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() print(fEpoch {epoch 1}, Loss: {running_loss / len(train_loader)})这段代码首先加载了预训练的ResNet50模型这能利用在大规模数据集上已经学习到的特征表示加快模型收敛。然后根据自定义任务修改了全连接层因为我们的任务只有 “beautiful” 和 “safer” 两个类别。接着定义了损失函数和优化器在训练循环中不断计算损失并反向传播更新模型参数。街景主观感知模型训练大规模预测 place pluse数据集 自定义数据集 模型训练预测 街景主观感知程序beautiful, safer等自定义维度多模型对比ResNet50ResNet101EfficientNet、VGGNet、GoogleNet、DenseNet、MobileNet、ShuffleNet、Xception、ConvNeXt、Vision Transformer (ViT)、RegNet等我自己是用420张图片分别训练了beautifulsafer模型最好精度0.89很高了我才用了420张图片平均每张图片对比才16次值得一提的是我只用了420张图片来分别训练 “beautiful” 和 “safer” 模型最终模型达到了0.89的高精度这还是比较让人惊喜的。平均每张图片对比才16次在有限的数据量下能有这样的成绩我觉得一方面得益于多种模型的对比选择找到最适合数据特点的模型另一方面对预训练模型的合理使用也功不可没。通过这次实践我深刻体会到在街景主观感知模型训练中数据集的针对性和模型选择优化的重要性。后续还可以考虑进一步扩大数据集规模探索更多模型调优技巧说不定能让模型性能更上一层楼。希望我的这些经验能给大家带来一些启发欢迎一起交流讨论。