《计算机视觉应用开发》项目9 基于ResNet实现服饰分类.docx

《计算机应用开发》教案

授课题目

基于ResNet实现服饰分类

授课类型

新授课

授课时长

12节课

教学内容

一

教学目标

知识目标

（1）掌握基于传统机器学习的图像分类方法。

（2）掌握基于深度学习的图像分类方法。

（3）熟悉深度学习图像分类算法——ResNet。

（4）掌握图像分类模型的评估指标。

能力目标

能够训练ResNet模型实现服饰分类。

能够将图像分类模型部署到服务端。

情感目标

使学生体验人工智能的分类任务，将人工智能的兴衰与自身职业规划联系起来。

能理解机器学习在实际中的应用并产生学习动力。

教学重点

（1）ResNet模型实现服饰分类。

（2）图像分类模型部署到服务端

教学难点

ResNet模型实现服饰分类

教法学法

讲授法、练习法

特色学习资源分析、技术手段应用说明

学习场所：实训室

教学资源：PPT、视频、操作手册、学生任务单

教学设备：电子白板

学情分析

学生了解人工智能的人类任务的原理，但未从综合、底层的角度实现过分类任务。

板书设计

（教学结构图）

服饰分类模型的训练

教学环节

（时间分配）

教学内容及教师活动

学生活动

设计意图及

实施效果

【情境导入】

【项目描述】

【项目分析】

【知识准备】

【项目实施】

【结果展示】

【课堂总结】

【情境导入】

随着电商平台的快速发展，越来越多的人选择在电商平台（如京东、淘宝、拼多多等）上购物。服饰在电商平台上的种类多种多样，并且数量庞大。在电商销售活动中，服饰推荐方法主要基于用户的历史行为数据和服饰属性信息（如颜色、款式、品牌等）。为了方便用户检索，我们需要对电商平台上的服饰进行识别和分类。

思考：可以使用什么技术来对服饰进行识别和分类呢？

本项目要求基于上述案例场景，通过paddlepaddle框架训练一个ResNet模型，使其能够对图像中的服饰进行识别，并输出对应的类别标签及置信度

选择环境

选择上次课构建好的paddle——clo环境。

导入模块

导入我们上节课安装好的模块。

三、构建数据读取器

构建继承了paddle.io.Dataset这个类的数据读取器。我们需要重新定义__init__、__getitem__和__len__。

四、处理数据格式

在数据进入模型训练之前，还需对数据的格式进行处理，处理参数如下：T.Resize：指定输入图片的尺寸，并将所有样本数据统一处理成该尺寸；T.CenterCrop：对输入图像进行裁剪，并且保持图片中心点不变；T.Normalize：对所有输入图片数据进行归一化处理。

划分数据集：

这一步我们将数据集划分为trappings_train、trappings_validate和trappings_test。

导入模型

接下来我们开始导入模型，我们使用百度的paddlehub模型库加载ResNet50模型，label_list是数据标签，需要与我们的数据集的标签一致。name是模型的名字这里我们的模型名字叫resnet50_vd_imagenet_ssld。

六、训练模型

模型导入成功后我们就可以训练了，在本次任务中我们使用Adam优化器，learning_rate是全局学习率，一般默认0.001。parameters是待优化模型。

Trainer是训练器。参数：Model是待优化模型；optimizer是优化器；checkpoint_dir是保存模型参数的地址；use_gpu是是指是否调用GPU，要调用GPU则为True，不调用GPU则是False。

控制训练的过程，参数如下：trappings_train是训练用的数据集；epochs是训练的轮数，为了提高精确率轮数可以适当增加；batch_size是训练的批次大小，一般与图片数量、训练的轮数有关；eval_datase是验证集；save_interval是保存模型的间隔频次，单位是训练的轮数。

本次训练大约需要30-40分钟。在训练过程中，你可以看到如下图的训练过程。

epoch是训练轮数；step是每轮训练图片的张数；loss是损失量，这个的数值会随着训练逐渐减少；acc是精确率，是评估模型的一个标准，这个数值会随着训练逐渐增加；lr是learning_rate全局学习率。

文件位置：代码文件的同级目录

文件名字：img_classification

文件内容：

其中文件夹best_model中存放着10轮训练中最佳的模型文件，这将是下一任务中所部署的模型。单击打开可以看到其中存放着两个文件，分别为model.pdopt和model.pdparams

七、部署服饰分类模型

（1）配置config.json文件

（2）单击打开服饰分类.ipynb文件，在最后一个空的代码块中输入以下代码

（3）