一、目标分类介绍
目标分类是一种监督学习任务，其目标是根据输入数据的特征将其分配到预定义的类别中。这种分类方法在许多实际应用中都有广泛的应用，如垃圾邮件检测、图像识别、情感分析等。
目标分类的基本流程包括：数据预处理（如清洗、标准化）、特征提取、模型选择和训练、模型评估和优化。其中，模型的选择和训练是关键步骤，常见的分类算法有决策树、支持向量机、神经网络等。
目标分类的优点是可以自动地进行分类，无需人工干预，同时也可以通过调整模型参数来提高分类的准确性。但是，目标分类也存在一些挑战，如数据的不平衡问题、过拟合问题等。
1.1 二分类和多分类的区别
二分类是指将样本分为两个类别，多分类是指将样本分为多个类别。在机器学习中，常见的分类算法有决策树、支持向量机、神经网络等。其中，决策树是一种基于规则的分类算法，支持向量机是一种基于间隔最大化的分类算法，神经网络是一种基于非线性映射的分类算法。对于多分类问题，可以采用一对多的模型，即将一个二分类器用于多个类别的预测；也可以采用多对多的模型，即将多个二分类器用于多个类别的预测 。
1.2 单标签和多标签输出的区别
单标签输出是指模型的输出只有一个预测值，即 f (x) = y。多标签输出是指模型的输出具有多个预测值，即 f (x_1,x_2,…,x_n) = y_1, y_2,…,y_n。在多标签分类中，每个输入样本需要零个或多个标签作为输出，同时需要输出 。
二、代码获取
- 支持自定义数据集训练
- 支持网络架构：resnet18,resnet50,mobilenet_v2,googlenet
- 整套训练代码和测试代码（Pytorch版本）
- 支持多种优化器选择
- 支持选择多种损失函数：交叉熵、labelSmoothing、BCE等
- 所有的配置文件写在yaml文件，更方便管理
三、数据集准备
四、环境搭建
安装python、torch、torchvision和pip安装requirements
安装python可以通过anaconda安装虚拟环境，python == 3.7.11
torch和torchvision版本是torch 1.8.0+cpu和torchvision 0.9.0+cpu
- 如果安装gpu就去这里面下载对应的torch和torchvision的版本就行，需要先安装cuda
- https://download.pytorch.org/whl/torch_stable.html
参考这篇博客：点击
4.1 环境测试
五、模型训练
然后运行python train.py即可开始训练。
六、模型测试
设置以上五个地方。由于网络真实预测的时候，可能会出现一张图片包含多种分类的目标。考虑到这种情况就不能简单的用argmax来获取最大值的索引了，所以我们应该通过设置阈值来记录相应类别的索引，然后再根据索引回溯到我们原始的目标信息。
修改后的代码如下：
# 单标签分类
pred_index = np.argmax(prob_scores, axis=1)
pred_score = np.max(prob_scores, axis=1)
AI 代码解读
修改为
def filter_array(self, arr, threshold):
# 获取满足条件的索引和值
arr = arr.flatten()
indices = np.where(arr >= threshold)[0]
values = arr[indices]
return indices, values
pred_index,pred_score = self.filter_array(prob_scores, threshold)
AI 代码解读
这里的阈值可以直接通过参数来进行设置。
6.1 多标签训练-单标签输出结果
如果只需要输出单个目标，需要修改成以下地方
6.2 多标签训练-多标签输出结果
修改成这样
