AI Rank
EN
← 开源
lxztju

pytorch_classification

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码

Model DevelopmentTraining toolkitsJupyter Notebook
在 GitHub 打开
增长势头
+024 小时新增 Star0.0%
1.47k
Star
341
Fork
+1
本周
1
贡献者
创建于 2020-04-19 · 更新于 2026-10-13 · 今日第 10240 名
主要开发者
lxztju

lxztju/pytorch_classification 排名第 10,240，有 1,469 个星标。

同类别比较

lxztju/pytorch_classification 排名第 10,240，此处有 8 个同类条目；tianweiy/DMD2 排名第 10,242。

同类别比较
名称排名指标
faustomorales/keras-ocr10,226
语言:
Python
星标数:
1,474
分叉数:
371
简介:
A packaged and flexible version of the CRAFT text detector and Keras CRNN recognition model.
code-kern-ai/refinery10,229
语言:
Python
星标数:
1,473
分叉数:
74
简介:
The data scientist's open-source choice to scale, assess and maintain natural language data. Treat training data like a software artifact.
Om-Alve/smolGPT10,233
语言:
Python
星标数:
1,472
分叉数:
126
erwincoumans/motion_imitation10,236
语言:
Python
星标数:
1,471
分叉数:
316
简介:
Code accompanying the paper "Learning Agile Robotic Locomotion Skills by Imitating Animals"
tianweiy/DMD210,242
语言:
Python
星标数:
1,469
分叉数:
77
简介:
(NeurIPS 2024 Oral 🔥) Improved Distribution Matching Distillation for Fast Image Synthesis
szagoruyko/attention-transfer10,252
语言:
Jupyter Notebook
星标数:
1,465
分叉数:
273
简介:
Improving Convolutional Networks via Attention Transfer (ICLR 2017)
buppt/ChineseNER10,253
语言:
Python
星标数:
1,464
分叉数:
388
简介:
中文命名实体识别，实体抽取，tensorflow，pytorch，BiLSTM+CRF
una-dinosauria/3d-pose-baseline10,257
语言:
Python
星标数:
1,463
分叉数:
357
简介:
A simple baseline for 3d human pose estimation in tensorflow. Presented at ICCV 17.
关键参数与规格
关键参数与规格
参数值
语言Jupyter Notebook
类别Model Development
子类别Training toolkits
星标数1,469
分叉数341
贡献者1
创建日期2020-04-19
更新日期2026-10-13
1 天星标数0
7 天星标数1
排名10,240
上次排名10,253
排名变化13
7 天星标排名9,816
上次 7 天星标排名9,881
7 天星标排名变化65
总星标排名8,221
上次总星标排名8,216
总星标排名变化-5
国家China
README 摘录

主要功能： 利用pytorch实现图像分类，基于torchision可以扩展使用densenet，resnext，mobilenet，efficientnet，swin transformer等图像分类网络 如果有用欢迎star 实现功能 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整

多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN

等分类器进行分类（tag v1）。 6)（可选） libtorch cpp推理使用（可选） 快速开始 数据集形式 数据集的组织形式，参考sample_files/imgs/listfile. sh即可运行 主要修改的参数： libtorch inference 代码存储在 文件夹中。 利用cpp_inference/traced_model/trace_model.

常见问题

记录了多少星标和分叉？

lxztju/pytorch_classification 有 1,469 个星标和 341 个分叉。

仓库排名是多少？

lxztju/pytorch_classification 排名第 10,240。

记录的语言和类别是什么？

lxztju/pytorch_classification 有 1,469 个星标，语言为 Jupyter Notebook，类别为 Model Development。

哪个仓库排名最接近？

lxztju/pytorch_classification 与 tianweiy/DMD2 比较，后者排名第 10,242，有 1,469 个星标。

README

简介

基于torchision实现的pytorch图像分类功能。

近期更新

  • 2022.11.05更新

    • 新添加tensorrt c++的推理方案

  • 2022.10.29更新，进行代码重构，基本的功能基本一致。

    • 支持pytorch ddp的训练
    • 支持c++ libtorch的模型推理
    • 支持script脚本一键运行
    • 添加日志模块

习惯之前版本的请看v1版本的代码：V1版本。

主要功能：

利用pytorch实现图像分类，基于torchision可以扩展使用densenet，resnext，mobilenet，efficientnet，swin transformer等图像分类网络

如果有用欢迎star

实现功能

  • 基础功能利用pytorch实现图像分类
  • 包含带有warmup的cosine学习率调整
  • warmup的step学习率优调整
  • 多模型融合预测，加权与投票融合
  • 利用flask + redis实现模型云端api部署（tag v1）
  • c++ libtorch的模型部署
  • 使用tta测试时增强进行预测（tag v1）
  • 添加label smooth的pytorch实现（标签平滑）（tag v1）
  • 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。
  • 可视化特征层

运行环境

  • python3.7
  • pytorch 1.8.1
  • torchvision 0.9.1
  • opencv(libtorch cpp推理使用， 版本3.4.6)（可选）
  • libtorch cpp推理使用（可选）

快速开始

数据集形式

数据集的组织形式，参考sample_files/imgs/listfile.txt

训练 测试

修改run.sh中的参数，直接运行run.sh即可运行

主要修改的参数：

OUTPUT_PATH 模型保存和log文件的路径

TRAIN_LIST 训练数据集的list文件
VAL_LIST  测试集合的list文件
model_name 默认是resnet50
lr 学习率
epochs 训练总的epoch
batch-size  batch的大小
j dataloader的num_workers的大小
num_classes 类别数

libtorch inference

代码存储在cpp_inference文件夹中。

  1. 利用cpp_inference/traced_model/trace_model.py将训练好的模型导出。

  2. 编译所需的opencv和libtorch代码到cpp_inference/third_party_library

  3. 编译

sh compile.sh
  1. 可执行文件测试
./bin/imgCls imgpath
排名相邻
同类项目