前言

项目地址：https://github.com/Fafa-DL/Awesome-Backbones

操作教程：https://www.bilibili.com/video/BV1SY411P7Nd

EVA原论文：点我跳转

如果你以为该仓库仅支持训练一个模型那就大错特错了，我在项目地址放了目前支持的42种模型（LeNet5、AlexNet、VGG、DenseNet、ResNet、Wide-ResNet、ResNeXt、SEResNet、SEResNeXt、RegNet、MobileNetV2、MobileNetV3、ShuffleNetV1、ShuffleNetV2、EfficientNet、RepVGG、Res2Net、ConvNeXt、HRNet、ConvMixer、CSPNet、Swin-Transformer、Vision-Transformer、Transformer-in-Transformer、MLP-Mixer、DeiT、Conformer、T2T-ViT、Twins、PoolFormer、VAN、HorNet、EfficientFormer、Swin Transformer V2、MViT V2、MobileViT、DaViT、RepLKNet、BEiT、EVA、MixMIM、EfficientNetV2），使用方式一模一样。且目前满足了大部分图像分类需求，进度快的同学甚至论文已经在审了

0. 环境搭建&快速开始

• 这一步我也在最近录制了视频

最新Windows配置VSCode与Anaconda环境

『图像分类』从零环境搭建&快速开始

• 不想看视频也将文字版放在此处。建议使用Anaconda进行环境管理，创建环境命令如下

conda create -n [name] python=3.6 其中[name]改成自己的环境名，如[name]->torch，conda create -n torch python=3.6

• 我的测试环境如下

torch==1.7.1
torchvision==0.8.2
scipy==1.4.1
numpy==1.19.2
matplotlib==3.2.1
opencv_python==3.4.1.15
tqdm==4.62.3
Pillow==8.4.0
h5py==3.1.0
terminaltables==3.1.0
packaging==21.3

• 首先安装Pytorch。建议版本和我一致，进入Pytorch官网，点击 install previous versions of PyTorch，以1.7.1为例，官网给出的安装如下，选择合适的cuda版本

# CUDA 11.0
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html# CUDA 10.2
pip install torch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2# CUDA 10.1
pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html# CUDA 9.2
pip install torch==1.7.1+cu92 torchvision==0.8.2+cu92 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html# CPU only
pip install torch==1.7.1+cpu torchvision==0.8.2+cpu torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

• 安装完Pytorch后，再运行

pip install -r requirements.txt

• 下载MobileNetV3-Small权重至datas下
• Awesome-Backbones文件夹下终端输入

python tools/single_test.py datas/cat-dog.png models/mobilenet/mobilenet_v3_small.py --classes-map datas/imageNet1kAnnotation.txt

1. 数据集制作

1.1 标签文件制作

• 将项目代码下载到本地
  

• 本次演示以花卉数据集为例，目录结构如下：

├─flower_photos
│  ├─daisy
│  │      100080576_f52e8ee070_n.jpg
│  │      10140303196_b88d3d6cec.jpg
│  │      ...
│  ├─dandelion
│  │      10043234166_e6dd915111_n.jpg
│  │      10200780773_c6051a7d71_n.jpg
│  │      ...
│  ├─roses
│  │      10090824183_d02c613f10_m.jpg
│  │      102501987_3cdb8e5394_n.jpg
│  │      ...
│  ├─sunflowers
│  │      1008566138_6927679c8a.jpg
│  │      1022552002_2b93faf9e7_n.jpg
│  │      ...
│  └─tulips
│  │      100930342_92e8746431_n.jpg
│  │      10094729603_eeca3f2cb6.jpg
│  │      ...

• 在Awesome-Backbones/datas/中创建标签文件annotations.txt，按行将类别名 索引写入文件；

daisy 0
dandelion 1
roses 2
sunflowers 3
tulips 4

1.2 数据集划分

• 打开Awesome-Backbones/tools/split_data.py
• 修改原始数据集路径以及划分后的保存路径，强烈建议划分后的保存路径datasets不要改动，在下一步都是默认基于文件夹进行操作

init_dataset = 'A:/flower_photos' # 改为你自己的数据路径
new_dataset = 'A:/Awesome-Backbones/datasets'

• 在Awesome-Backbones/下打开终端输入命令：

python tools/split_data.py

• 得到划分后的数据集格式如下：

├─...
├─datasets
│  ├─test
│  │  ├─daisy
│  │  ├─dandelion
│  │  ├─roses
│  │  ├─sunflowers
│  │  └─tulips
│  └─train
│      ├─daisy
│      ├─dandelion
│      ├─roses
│      ├─sunflowers
│      └─tulips
├─...

1.3 数据集信息文件制作

• 确保划分后的数据集是在Awesome-Backbones/datasets下，若不在则在get_annotation.py下修改数据集路径；

datasets_path   = '你的数据集路径'

• 在Awesome-Backbones/下打开终端输入命令：

python tools/get_annotation.py

• 在Awesome-Backbones/datas下得到生成的数据集信息文件train.txt与test.txt
  

2. 修改参数文件

• 每个模型均对应有各自的配置文件，保存在Awesome-Backbones/models下

• 由backbone、neck、head、head.loss构成一个完整模型

• 找到EVA参数配置文件，可以看到所有支持的类型都在这，且每个模型均提供预训练权重
  

• 在model_cfg中修改num_classes为自己数据集类别大小

• 按照自己电脑性能在data_cfg中修改batch_size与num_workers

• 若有预训练权重则可以将pretrained_weights设置为True并将预训练权重的路径赋值给pretrained_weights

• 若需要冻结训练则freeze_flag 设置为True，可选冻结的有backbone, neck, head

• 在optimizer_cfg中修改初始学习率，根据自己batch size调试，若使用了预训练权重，建议学习率调小

• 学习率更新详见core/optimizers/lr_update.py，同样准备了视频『图像分类』学习率更新策略|优化器

• 更具体配置文件修改可参考配置文件解释，同样准备了视频『图像分类』配置文件补充说明

3. 训练

• 确认Awesome-Backbones/datas/annotations.txt标签准备完毕
• 确认Awesome-Backbones/datas/下train.txt与test.txt与annotations.txt对应
• 选择想要训练的模型，在Awesome-Backbones/models/下找到对应配置文件，以eva_g _p14_headless为例
• 按照配置文件解释修改参数
• 在Awesome-Backbones路径下打开终端运行

python tools/train.py models/eva/eva_g _p14_headless.py

4. 评估

• 确认Awesome-Backbones/datas/annotations.txt标签准备完毕
• 确认Awesome-Backbones/datas/下test.txt与annotations.txt对应
• 在Awesome-Backbones/models/下找到对应配置文件
• 在参数配置文件中修改权重路径，其余不变

ckpt = '你的训练权重路径'

• 在Awesome-Backbones路径下打开终端运行

python tools/evaluation.py models/eva/eva_g _p14_headless.py

• 单张图像测试，在Awesome-Backbones打开终端运行

python tools/single_test.py datasets/test/dandelion/14283011_3e7452c5b2_n.jpg models/eva/eva_g _p14_headless.py

至此完毕，实在没运行起来就去B站看我手把手带大家运行的视频教学吧～

5. 其他教程

除开上述，我还为大家准备了其他一定用到的操作教程，均放在了GitHub项目首页，为了你们方便为也粘贴过来

• 环境搭建
• 数据集准备
• 配置文件解释
• 训练
• 模型评估&批量检测/视频检测
• 计算Flops&Params
• 添加新的模型组件
• 类别激活图可视化
• 学习率策略可视化

有任何更新均会在Github与B站进行通知，记得Star与三连关注噢～