清华大学版（2024）（青海）八下信息科技 第2单元 第3课 用深度学习实现图像分类 课件.pptxVIP

第2单元机器能识别第3节用深度学习实现图像分类八年级下册

主要内容知识探究/01/02习题测试/03小节回顾/04作业布置

01准备过程02整体结构03重点说明04名词解释知识探究项目子任务 学习图像分类任务的数据集制作，来为“昆虫的识别”作知识储备。

01准备过程02整体结构03重点说明04名词解释知识探究探究内容与要求（1）方法引导：遵循“概念→结构→原理→......”认知规律（2）主要内容：①如何制作图像数据集？——ImageNet格式②如何对图像分类模型进行训练？——MMEdu图像训练③如何应用图像分类模型？——XEduHub推理ONNX模型

01准备过程02整体结构03重点说明04名词解释知识探究知识习得（1）自主阅读：以书本P55-57为主，网络知识作补充（2）知识梳理：①丰富的数据集意味着图片要考虑光照、拍摄角度、背景等条件的变化，采集多样化的图片。应用场景为校园农场时，就不能用在教室的图片，而是应该在校园农场采集图片。②ImageNet数据集包括训练集、验证集和测试集。

01准备过程02整体结构03重点说明04名词解释知识探究知识习得（1）自主阅读：以书本P57-60为主，网络知识作补充（2）知识梳理：①不同的SOTA模型适合解决不同的问题，MobileNet适合在移动终端上部署。②训练后出现的accuracy_top-1表示模型在验证集上验证得到的准确率。

01准备过程02整体结构03重点说明04名词解释知识探究知识习得（1）自主阅读：以书本P60-64为主，网络知识作补充（2）知识梳理：①在MMEdu中使用convert函数可以实现将pth格式模型转换为ONNX格式模型。②Gradio可以用于设计和部署机器学习模型的交互式界面。

01准备过程02整体结构03重点说明04名词解释知识探究核心素养培育（1）学会分析：以“昆虫的识别”为例，如何选择合适的昆虫种类，如何采集图像，如何选择模型，如何搭建人工智能应用？辅助分析支架：要实现“昆虫的识别”，需要了解数据集格式、模型的优劣、模型转换、模型推理和人工智能应用搭建。

01准备过程02整体结构03重点说明04名词解释知识探究核心素养培育（2）学会解释：如何用python代码实现MMEdu图像分类模型训练？辅助分析支架：① 编写基本训练代码：fromMMEduimportMMClassificationasclsmodel=cls(backbone=‘LeNet’)model.num_classes=3model.load_dataset(path=‘./dataset/insect’)model.save_fold=‘./my_model’model.train(epochs=10,validate=True)

01准备过程02整体结构03重点说明04名词解释知识探究核心素养培育（2）学会解释：如何用python代码实现MMEdu图像分类模型训练？辅助分析支架：② 基于训练过的模型，继续训练的参考代码：fromMMEduimportMMClassificationasclsmodel=cls(backbone=‘LeNet’)model.num_classes=3model.load_dataset(path=‘./dataset/insect’)model.save_fold=‘./my_model’checkpoint=‘./latest.pth’#要求模型使用同一种SOTA模型model.train(epochs=10,validate=True,checkpoint=checkpoint)

01准备过程02整体结构03重点说明04名词解释知识探究核心素养培育（2）学会解释：如何用python代码实现MMEdu图像分类模型训练？辅助分析支架：③ 模型转换为ONNX格式。代码如下：fromMMEduimportMMClassificationasclsmodel=cls(backbone=‘LeNet’)checkpoint=‘./my_model/latest.pth’)out_file=‘./my_model/best.onnx’model.convert(checkpoint=checkpoint,out_file=out_file)

01准备过程02整体结构03重点说明04名词解释知识探究核心素养培育（3）学会求证：用模型推理验证模型效果！——教师引领学会求证：用python编程，实现图像分类推理。①求证技能：用python中的XEduHub，实现推理。代码如下