Pytorch Pretrained Re snet не одинаковой точности Imagenet - PullRequest
Новая
       97

Pytorch Pretrained Re snet не одинаковой точности Imagenet

1 голос
/ 27 апреля 2020

Процессор: Intel Zeon GPU: NVIDIA RTX2080Ti python: версия факела 3,6: версия факела 1,4: 0,5,0

I Скачиваю торрент ILSVRC2012 (Imag enet Dataset) и выполняю проверочный набор.

выбранная модель - torchvision.datasets.Resnet50 (pretrained = True), и я ожидал, что точность проверки верности 1 превысит 60%.

Я обнаружил исправление метки проверки, установленной в приведенной ниже ссылке https://github.com/fh295/semanticCNN/blob/master/imagenet_labels/ILSVRC2012_validation_ground_truth.txt

И перекрестная проверка по ссылке ниже.

https://github.com/tensorflow/models/blob/master/research/inception/inception/data/imagenet_2012_validation_synset_labels.txt

я сделал пользовательский набор данных для набора проверки, и оценка.

Но вопреки моим ожиданиям, точность оценки оказалась очень низкой, как будто ее не изучили. (точность 0,1% ~ 0,05%)

это мой тестовый код и загруженный github https://github.com/pdh930105/pytorch_imagenet_test

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.autograd import Variable
import PIL.Image as Image
import numpy as np
from torch.utils.data import Dataset, DataLoader
import os
from torchvision import transforms, datasets
import matplotlib.pyplot as plt
import torchvision
from tqdm import tqdm
import time

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

transform = transforms.Compose([transforms.Resize((256, 256)),
                                transforms.CenterCrop((224, 224)),
                              transforms.ToTensor(),
                            transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                 std=[0.229, 0.224, 0.225])])

class val_imagenet_dataset(Dataset):   
    def __init__(self, root="../imagenet/", transform=None):
        self.transform = transform
        self.root = root
        self.data = []
        self.target = []
        f = open(self.root+"/ILSVRC2012_validation_ground_truth.txt")
        label_data = f.readlines()
        file_list = os.listdir(self.root)
        image_list = [image for image in file_list if image.endswith(".JPEG")]
        image_list.sort()
        for idx, label in enumerate(tqdm(label_data)):
            self.data.append(image_list[idx])
            self.target.append(int(label)-1) 

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        path, target = self.data[idx], self.target[idx]

        with open(self.root+path, 'rb') as f:
            img = Image.open(f)
            sample = img.convert('RGB')


        if self.transform is not None:
            sample = self.transform(sample)

        return sample, target


def val_model(model, dataloader, device, criterion =None):
    since = time.time()
    acc = 0
    loss = 0
    data_size = dataloader.dataset.__len__()
    for inputs, labels in tqdm(dataloader):
        model.eval()
        model.to(device)
        inputs = inputs.to(device)
        labels = labels.to(device)
        outputs = model(inputs)
        _, preds = torch.max(outputs, 1)
        acc += torch.sum(preds==labels.data)

        if criterion is not None:
            _loss = criterion(outputs, labels)
            loss +=_loss.item() * inputs.size(0)
            print("local loss : {:4f}".format(loss))

    acc = acc.double()/data_size
    loss = loss / data_size

    print("Acc : {:4f}".format(acc))
    if criterion is not None:
        print("Loss : {:4f}".format(loss))

val_imagenet = val_imagenet_dataset(transform=transform)
val_dataloader = DataLoader(val_imagenet, batch_size=1, shuffle=False, num_workers=2)

resnet_50_origin = torchvision.models.resnet50(pretrained=True)

val_model(resnet_50_origin, val_dataloader, device=device)

Это мой код, но точность выполнения равна 0,01 %

Пожалуйста, дайте мне знать проблему моего кода.

...