项目地址：https://gitcode.net/EricLee/classification

物体识别分类，pytorch 目前数据集

包括 1）Stanford Dogs 数据集 ，

2）14类静态手势自建数据集，

3）imagenet 1000类数据集

classification

物体识别分类

项目介绍

该项目对物体进行识别分类。

项目配置

• 作者开发环境：
• Python 3.7
• PyTorch >= 1.5.1

数据集

1、Stanford Dogs 数据集

2、静态手势识别数据集（handpose_x_gesture_v1）

3、imagenet 数据集 （使用“ILSVRC2012_img_train”数据集将原图裁剪后的部分数据集）

4、Stanford_Cars 数据集(共196 类)

构建自己的数据集

• 构建一个总的数据集目录，在目录内建立每一个具体类别的子目录，每一个子目录有且只有单独的一个类别。并且文件夹的命名为“数字-名称”，比如上图的“one静态手势”的文件夹命名为“000-one”。
• 注意名称为英文命名，可以由自己定义，类别编号数字从0开始。
• 另外在具体训练时，需要在训练脚本 train.py 中进行训练集文件夹路径和类别数的对应修改。

预训练模型

1、Stanford Dogs 预训练模型

2、静态手势识别预训练模型（handpose_x_gesture_v1）

3、imagenet 预训练模型

• 具体分类看json信息即"imagenet_msg.json"，运行 read_imagenet_msg.py 读取。
• "chinese_name"为类别中文名字，"doc_name"为数据集对应的每一类文件夹名字，前面的数字为模型的类别号从 "0"~"999"，共 1000 类 。

4、Stanford_Cars 预训练模型

项目使用方法

模型训练

注意: train.py 中的 3个参数与具体分类任务数据集，息息相关，如下所示：

    #---------------------------------------------------------------------------------parser.add_argument('--train_path', type=str, default = './handpose_x_gesture_v1/',help = 'train_path') # 训练集路径parser.add_argument('--num_classes', type=int , default = 14,help = 'num_classes') #  分类类别个数,gesture 配置为 14 ， Stanford Dogs 配置为 120 ， imagenet 配置为 1000parser.add_argument('--have_label_file', type=bool, default = False,help = 'have_label_file') # 是否有配套的标注文件解析才能生成分类训练样本，gesture 配置为 False ， Stanford Dogs 配置为 True

• 根目录下运行命令： python train.py (注意脚本内相关参数配置 )

模型推理

• 根目录下运行命令： python inference.py (注意脚本内相关参数配置 )