《移动端轻量级模型开发谁更胜一筹efficientnet、mobilenetv2、mobilenetv3、ghostnet、mnasnet、shufflenetv2驾驶危险行为识别模型对比开发测试》

《基于Pytorch框架的轻量级卷积神经网络垃圾分类识别系统》

《基于轻量级卷积神经网络模型实践Fruits360果蔬识别——自主构建CNN模型、轻量化改造设计lenet、alexnet、vgg16、vgg19和mobilenet共六种CNN模型实验对比分析》

《探索轻量级模型性能上限基于GhostNet模型开发构建多商品细粒度图像识别系统》

《基于轻量级神经网络GhostNet开发构建的200种鸟类细粒度识别分析系统》

《基于MobileNet的轻量级卷积神经网络实现玉米螟虫不同阶段识别分析》

《基于轻量级模型GHoshNet开发构建眼球眼疾识别分析系统构建全方位多层次参数对比分析实验》

《python基于轻量级卷积神经网络模型ShuffleNetv2开发构建辣椒病虫害图像识别系统》

《基于轻量级神经网络GhostNet开发构建光伏太阳能电池缺陷图像识别分析系统》

《python开发构建轻量级卷积神经网络模型实现手写甲骨文识别系统》

《基于轻量级GhostNet模型开发构建工业生产制造场景下滚珠丝杠传动表面缺陷图像识别系统》

本文的核心思想是像基于GhostNet来开发构建生活场景下的生活垃圾图像识别系统首先看下实例效果

GhostNet

是一种轻量级卷积神经网络是专门为移动设备上的应用而设计的。

其主要构件是

Ghost

可以详细阅读官方的代码实例即可之后可以基于自己的数据集来开发构建模型即可。

class

biasFalse),nn.BatchNorm2d(output_channel),nn.ReLU(inplaceTrue),)]input_channel

output_channelblock

4)layers.append(block(input_channel,

hidden_channel,

nn.Sequential(*layers)output_channel

width_mult,

nn.Sequential(nn.Conv2d(input_channel,

output_channel,

biasFalse),nn.BatchNorm2d(output_channel),nn.ReLU(inplaceTrue),nn.AdaptiveAvgPool2d((1,

1)),)input_channel

nn.Sequential(nn.Linear(input_channel,

output_channel,

biasFalse),nn.BatchNorm1d(output_channel),nn.ReLU(inplaceTrue),nn.Dropout(0.2),nn.Linear(output_channel,

num_classes),)self._initialize_weights()def

forward(self,

self.classifier(features_fc)return

features,

scale:features[scale.index(input_size

x.size(2))]

nn.Conv2d):nn.init.kaiming_normal_(m.weight,

modefan_out,

nn.BatchNorm2d):m.weight.data.fill_(1)m.bias.data.zero_()def

self.features[-1]

基于tsne算法实现了分布的可视化可以清楚地看到两类数据区分度还是很明显的。

acc曲线

基于常用的数据增强算法来实现对原始图像数据的增强处理效果实例如下所示

混淆矩阵如下