本文主要是介绍基于 GhostNet 不同版本的图像识别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1、介绍
GhostNet 文章地址：[1911.11907] GhostNet: More Features from Cheap Operations (arxiv.org)
主要思想：
特征提取的时候，很多特征图是具有高度相似性的，也就是说存在许多的冗余特征图。
从另一个角度想，利用一系列的线性变化，以很小的代价生成许多能从原始特征发掘所需信息的“幻影”特征图呢
冗余的特征图是非常有必要的，可以保证网络对输入数据的理解更为全面。
ghostnet 的版本，本人在github上搜到了三个版本，这里干脆一起实现了
文末有项目下载
2、代码解释
代码目录如下：
- 红色框为ghostnet 的主干网络
- 蓝色框为数据集，数据保存在不同目录中，如果有测试集的话，也放在这里即可
- 绿色框为训练生成的结果
2.1 训练脚本 train
传入参数如下：
网络的输出个数，代码会计算数据集，然后自动设定！
都是很常规的参数，优化器可供选择的有SGD、Adam，学习率采用自适应衰减
2.2 评估脚本 val
这里评估的代码从训练中独立出来，参数如下：
- pth 传入测试集。没有的话，传入验证集也可以
- 数据集的mean和std在训练日志log文件中可以找到
2.3 训练过程和结果
运行train脚本如下：
评估脚本如下：这里采用的评估指标是混淆矩阵、F1分数等等
训练结果：
weights 下有最好的权重和最后的权重文件
训练和验证集的loss、acc曲线
注意：这里val 比 train 的acc高，因为数据划分不平衡所致，val集数量加多一点即可
学习率衰减：
训练日志：这里有mean和std
数据预处理的可视化：
3、使用
项目地址： 基于ghostNet网络对将香蕉5种不同阶段成熟度的分类【包含数据集+代码+训练结果】资源-CSDN文库
配置GPU的torch训练，参考：Pytorch 配置 GPU 环境_pytorch gpu-CSDN博客
新建虚拟环境：conda create -n ghost python=3.8
激活虚拟环境：conda activate ghost
安装库文件即可：pip install -r requirements.txt
训练自己数据集，将数据集摆放好即可
这篇关于基于 GhostNet 不同版本的图像识别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
