Press "Enter" to skip to content

垃圾分类数据集+垃圾分类识别训练代码(Pytorch)

垃圾分类数据集+垃圾分类识别训练代码(Pytorch)

 

目录

 

垃圾分类数据集+垃圾分类识别训练代码(Pytorch)

 

(1)垃圾数据集dataset1

 

(2)垃圾数据集dataset2

 

3. 垃圾分类识别模型训练

 

(2)准备Train和Test数据

 

(3)配置文件:config.yaml

 

4. 垃圾分类识别模型测试效果

 

1. 前言

 

垃圾分类,指按一定规定或标准将垃圾分类储存、分类投放和分类搬运,从而转变成公共资源的一 系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值,力争物尽其用。智能化垃圾分类系统能能够加速绿色环保的垃圾处理过程,并且对于居民垃圾分类意识的养成有极大的促进作用,对绿色都市和智能化城市管理都有着重大意义。

 

 

本项目将采用深度学习的方法,搭建一个 垃圾分类识别的训练和测试系统 ,实现智能化垃圾分类。目前,基于ResNet18的垃圾分类识别,在 垃圾数据集dataset2, 训练集的Accuracy在94%左右,测试集的Accuracy在92%左右,如果想进一步提高准确率,可以尝试:

 

 

    1. 最重要的 : 清洗数据集,垃圾数据集dataset1和垃圾数据集dataset2,大部分数据都是网上爬取的,质量并不高,存在很多错误的图片,尽管鄙人已经清洗一部分了,但还是建议你,训练前,再次清洗数据集,不然会影响模型的识别的准确率。

 

    1. 使用不同backbone模型,比如resnet50或者更深模型

 

    1. 增加数据增强: 已经支持: 随机裁剪,随机翻转,随机旋转,颜色变换 等数据增强方式,可以尝试诸如 mixup,CutMix 等更复杂的数据增强方式

 

    1. 样本均衡: 目前训练代码已经支持样本重采样,设置resample=True即可

 

    1. 调超参: 比如学习率调整策略,优化器(SGD,Adam等)

 

    1. 损失函数: 目前训练代码已经支持:交叉熵,LabelSmoothing,可以尝试FocalLoss等损失函数

 

 

【源码下载】 垃圾分类数据集+垃圾分类识别训练代码(Pytorch)

 

【尊重原创,转载请注明出处】 https://panjinquan.blog.csdn.net/article/details/126419147

 

2. 垃圾数据集说明

 

(1)垃圾数据集dataset1

 

这是通过网上爬虫获取的垃圾数据集,总共包含了可回收物(recyclables)、有害垃圾(hazardous)、厨余垃圾(kitchen)、其他垃圾(other)四大类,以及40个小类。其中可回收物(recyclables)23种、有害垃圾(hazardous)3种、厨余垃圾(kitchen)8种、其他垃圾(other)6种,每种垃圾包含大约400张图片,共1.7万余张图像。

 

其中Train集16200张图片,平均每个类别405张;Test集800张图片,平均每个类别20张图片

 

 

垃圾类别样图
可回收物(recyclables)
有害垃圾(hazardous)
厨余垃圾(kitchen)
其他垃圾(other)

 

下表给出垃圾数据集dataset1的40个类别:

 

0-other garbage-fast food box  1-other garbage-soiled plastic  2-other garbage-cigarette  3-other garbage-toothpick  4-other garbage-flowerpot  5-other garbage-bamboo chopsticks  6-kitchen waste-meal  7-kitchen waste-bone  8-kitchen waste-fruit peel  9-kitchen waste-pulp  10-kitchen waste-tea  11-kitchen waste-Vegetable  12-kitchen waste-eggshell  13-kitchen waste-fish bone  14-recyclables-powerbank  15-recyclables-bag  16-recyclables-cosmetic bottles  17-recyclables-toys  18-recyclables-plastic bowl  19-recyclables-plastic hanger  20-recyclables-paper bags  21-recyclables-plug wire  22-recyclables-old clothes  23-recyclables-can  24-recyclables-pillow  25-recyclables-plush toys  26-recyclables-shampoo bottle  27-recyclables-glass cup  28-recyclables-shoes  29-recyclables-anvil  30-recyclables-cardboard  31-recyclables-seasoning bottle  32-recyclables-bottle  33-recyclables-metal food cans  34-recyclables-pot  35-recyclables-edible oil barrel  36-recyclables-drink bottle  37-hazardous waste-dry battery  38-hazardous waste-ointment  39-hazardous waste-expired drugs

 

(2)垃圾数据集dataset2

 

该垃圾数据集是只包含两个大类,没有细分小类,其中类别Organic表示有机垃圾,类别Recycle表示可回收垃圾。Train集22,566张图片,Test集2,513张图片。

垃圾类别样图
Organic有机垃圾
Recycle回收垃圾

 

垃圾数据集dataset1和垃圾数据集dataset2,大部分数据都是网上爬取的,质量并不高,存在很多错误的图片,尽管鄙人已经清洗一部分了,但还是建议你,训练前,再次清洗数据集,不然会影响模型的识别的准确率。

 

3. 垃圾分类识别模型训练

 

(1)项目框架说明

 

整套工程基本框架结构如下:

 

.
├── classifier                 # 训练模型相关工具
├── configs                    # 训练配置文件
├── data                       # 训练数据
├── libs           
├── demo.py              # 模型推理demo
├── README.md            # 项目工程说明文档
├── requirements.txt     # 项目相关依赖包
└── train.py             # 训练文件

 

(2)准备Train和Test数据

 

下载垃圾分类数据集,Train和Test数据集,要求相同类别的图片,放在同一个文件夹下;且子目录文件夹命名为类别名称。

 

数据增强方式主要采用: 随机裁剪,随机翻转,随机旋转,颜色变换 等处理方式

 

import numbers
import random
import PIL.Image as Image
import numpy as np
from torchvision import transforms
def image_transform(input_size, rgb_mean=[0.5, 0.5, 0.5], rgb_std=[0.5, 0.5, 0.5], trans_type="train"):
    """
    不推荐使用:RandomResizedCrop(input_size), # bug:目标容易被crop掉
    :param input_size: [w,h]
    :param rgb_mean:
    :param rgb_std:
    :param trans_type:
    :return::
    """
    if trans_type == "train":
        transform = transforms.Compose([
            transforms.Resize([int(128 * input_size[1] / 112), int(128 * input_size[0] / 112)]),
            transforms.RandomHorizontalFlip(),  # 随机左右翻转
            # transforms.RandomVerticalFlip(), # 随机上下翻转
            transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.1),
            transforms.RandomRotation(degrees=5),
            transforms.RandomCrop([input_size[1], input_size[0]]),
            transforms.ToTensor(),
            transforms.Normalize(mean=rgb_mean, std=rgb_std),
        ])
    elif trans_type == "val" or trans_type == "test":
        transform = transforms.Compose([
            transforms.Resize([input_size[1], input_size[0]]),
            # transforms.CenterCrop([input_size[1], input_size[0]]),
            # transforms.Resize(input_size),
            transforms.ToTensor(),
            transforms.Normalize(mean=rgb_mean, std=rgb_std),
        ])
    else:
        raise Exception("transform_type ERROR:{}".format(trans_type))
    return transform

 

修改配置文件数据路径:config.yaml

 

# 训练数据集,可支持多个数据集
train_data:
  - '/path/to/rubbish/dataset2/train'
# 测试数据集
test_data: '/path/to/rubbish/dataset2/test'
# 类别文件
class_name: '/path/to/rubbish/dataset2/class_name.txt'

 

(3)配置文件: config.yaml

目前支持的backbone有:googlenet,resnet[18,34,50], ,mobilenet_v2等, 其他backbone可以自定义添加
训练参数可以通过(configs/config.yaml)配置文件进行设置

配置文件: config.yaml 说明如下:

 

# 训练数据集,可支持多个数据集
train_data:
  - '/path/to/rubbish/dataset2/train'
# 测试数据集
test_data: '/path/to/rubbish/dataset2/test'
# 类别文件
class_name: '/path/to/rubbish/dataset2/class_name.txt'
train_transform: "train"       # 训练使用的数据增强方法
test_transform: "val"          # 测试使用的数据增强方法
resample: True                 # 进行样本均衡
work_dir: "work_space/"        # 保存输出模型的目录
net_type: "resnet18"           # 骨干网络,支持:resnet18,resnet50,mobilenet_v2,googlenet
width_mult: 1.0
input_size: [ 224,224 ]        # 模型输入大小
rgb_mean: [ 0.5, 0.5, 0.5 ]    # for normalize inputs to [-1, 1],Sequence of means for each channel.
rgb_std: [ 0.5, 0.5, 0.5 ]     # for normalize,Sequence of standard deviations for each channel.
batch_size: 32
lr: 0.01                       # 初始学习率
optim_type: "SGD"              # 选择优化器,SGD,Adam
loss_type: "CrossEntropyLoss"  # 选择损失函数:支持CrossEntropyLoss,LabelSmoothing
momentum: 0.9                  # SGD momentum
num_epochs: 100                # 训练循环次数
num_warn_up: 3                 # warn-up次数
num_workers: 8                 # 加载数据工作进程数
weight_decay: 0.0005           # weight_decay,默认5e-4
scheduler: "multi-step"        # 学习率调整策略
milestones: [ 20,50,80 ]       # 下调学习率方式
gpu_id: [ 0 ]                  # GPU ID
log_freq: 50                   # LOG打印频率
progress: True                 # 是否显示进度条
pretrained: False              # 是否使用pretrained模型
finetune: False                # 是否进行finetune
参数类型参考值说明
train_datastr, list训练数据文件,可支持多个文件
test_datastr, list测试数据文件,可支持多个文件
class_namestr类别文件
work_dirstrwork_space训练输出工作空间
net_typestrresnet18backbone类型,{resnet18,resnet50,mobilenet_v2,…}
input_sizelist[128,128]模型输入大小[W,H]
batch_sizeint32batch size
lrfloat0.1初始学习率大小
optim_typestrSGD优化器,{SGD,Adam}
loss_typestrCELoss损失函数
schedulerstrmulti-step学习率调整策略,{multi-step,cosine}
milestoneslist[30,80,100]降低学习率的节点,仅仅scheduler=multi-step有效
momentumfloat0.9SGD动量因子
num_epochsint120循环训练的次数
num_warn_upint3warn_up的次数
num_workersint12DataLoader开启线程数
weight_decayfloat5e-4权重衰减系数
gpu_idlist[ 0 ]指定训练的GPU卡号,可指定多个
log_freqin20显示LOG信息的频率
finetunestrmodel.pthfinetune的模型
progressboolTrue是否显示进度条
distributedboolFalse是否使用分布式训练

 

(4)开始训练

 

整套训练代码非常简单操作,用户只需要将相同类别的数据放在同一个目录下,并填写好对应的数据路径,即可开始训练了。

 

python train.py -c configs/config.yaml

 

(5)可视化训练过程

 

训练过程可视化工具是使用Tensorboard,使用方法:

 

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=work_space/mobilenet_v2_1.0_CrossEntropyLoss/log

 

可视化效果

 

 

 

(6)一些优化建议

 

训练完成后,在 垃圾数据集dataset2 训练集的Accuracy在94%左右,测试集的Accuracy在92%左右;而在 垃圾数据集dataset1的 Accuracy在83%左右,如果想进一步提高准确率,可以尝试:

 

 

    1. 最重要的 : 清洗数据集,垃圾数据集dataset1和垃圾数据集dataset2,大部分数据都是网上爬取的,质量并不高,存在很多错误的图片,尽管鄙人已经清洗一部分了,但还是建议你,训练前,再次清洗数据集,不然会影响模型的识别的准确率。

 

    1. 使用不同backbone模型,比如resnet50或者更深模型

 

    1. 增加数据增强: 已经支持: 随机裁剪,随机翻转,随机旋转,颜色变换 等数据增强方式,可以尝试诸如 mixup,CutMix 等更复杂的数据增强方式

 

    1. 样本均衡: 目前训练代码已经支持样本重采样,设置resample=True即可

 

    1. 调超参: 比如学习率调整策略,优化器(SGD,Adam等)

 

    1. 损失函数: 目前训练代码已经支持:交叉熵,LabelSmoothing,可以尝试FocalLoss等损失函数

 

 

4. 垃圾分类识别模型测试效果

 

demo.py文件用于推理和测试模型的效果,填写好配置文件,模型文件以及测试图片即可运行测试了

 

def get_parser():
    # 配置文件
    config_file = "data/pretrained/resnet18_1.0_CrossEntropyLoss_20220822153756/config.yaml"
    # 模型文件
    model_file = "data/pretrained/resnet18_1.0_CrossEntropyLoss_20220822153756/model/best_model_043_92.5587.pth"
    # 待测试图片目录
    image_dir = "/home/dm/nasdata/dataset/csdn/rubbish/dataset2/test"
    parser = argparse.ArgumentParser(description="Inference Argument")
    parser.add_argument("-c", "--config_file", help="configs file", default=config_file, type=str)
    parser.add_argument("-m", "--model_file", help="model_file", default=model_file, type=str)
    parser.add_argument("--device", help="cuda device id", default="cuda:0", type=str)
    parser.add_argument("--image_dir", help="image file or directory", default=image_dir, type=str)
    return parser

 

python demo.py \
    -c "data/pretrained/resnet18_1.0_CrossEntropyLoss_20220822153756/config.yaml" \
    -m "data/pretrained/resnet18_1.0_CrossEntropyLoss_20220822153756/model/best_model_043_92.5587.pth" \
    --image_dir "data/test_images/rubbish"

 

运行测试结果:

 

pred_index:[‘Organic’],pred_score:[0.9952668]pred_index:[‘Organic’],pred_score:[0.9911327]
pred_index:[‘Recycle’],pred_score:[0.73851496]pred_index:[‘Recycle’],pred_score:[0.9988349]

 

5.项目源码下载

 

整套项目源码内容包含:

垃圾数据集dataset1,其中Train集16200张图片,Test集800张图片
垃圾数据集dataset2,其中Train集22,566张图片,Test集2,513张图片
整套垃圾分类训练代码和测试代码(Pytorch版本)

【源码下载】 垃圾分类数据集+垃圾分类识别训练代码(Pytorch)

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注