学习前言

       为了保持一贯精简的作风，本文章不对模型进行解读，因为只是单纯的讲明白使用流程，字数已经是非常不少了！  那么有人担心了：既然是一个图片分类平台，那么肯定有多种模型，可是一般来讲，我最终要用的模型只有一种呀，其他的岂不是放在那里浪费空间？ 对于这种顾虑，本文章提出了一种新的思想——训练任务与测试任务二分离法，使得工程开发更加简便，打破了这种顾虑。具体情况如何，敬请使用吧！

内置模型先览

       内置了三种模型，他们分别在各自的领域扮演着中流砥柱的角色，博主对分类模型大致做了 一个总结与分类，选择这三个模型是深思熟虑的结果。

1、CNN轻量级模型王者：MobilenetV2

2、CNN重量级模型王者：EfficientNetV2

3、“模型很重，效果很好”的Transformer模型王者：Swin Transformer

           提示：对于Transformer模型暂且仅支持Vision Transformer（由于Swin Transformer的预训练权重下载 有点慢）

平台优势

💖  支持Windows/Linux

💖  一个平台多种场景：可以采用切换模型的方式解决单模型不够全面的问题——不同的实验环境与不同的实验目标下模型变得不适用的困扰。

💖  内置三种模型皆支持迁移学习，且warehouse/pretrained_weights文件夹下自带多个预训练模型，不必自己去网上冲浪下载。

💖  支持冻结训练、 支持DP模式/DDP模式训练、支持单机多卡分布式训练、支持混合精度训练。    

💖  灵活训练自己的模型，可调节参数多达20+。

💖  支持多种学习率下降方式：固定步长下降方式与余弦退火下降方式等。

💖  支持多线程读取数据。

💖  内置大量处理数据集的小工具：/tools文件夹下（期待探索哦！）

💖  训练、预测分离想法：抱着“宁非需要，勿曾新知”的想法，为工程实现仅保留必要之物——预测任务中当且仅需得到训练出的模型

开源代码

      gitee链接：(维护中..,)

      百度网盘：

链接：https://pan.baidu.com/s/16OJMqJSa8PTQW_mowimJzA

提取码：lgy0

完毕！

希望对大家学习深度学习中的图像处理有所帮助，并且能够得到大家的三连支持！