【特训营第三期 】基于PaddleClas的多场景杂草分类
本文介绍基于PaddleClas的多场景杂草分类研究。使用昆士兰州牧场8种杂草的17508张原位图像，经处理生成训练集（15000张）和验证集（2509张）。选用含49个卷积层和1
本文介绍基于PaddleClas的多场景杂草分类研究。使用昆士兰州牧场8种杂草的17508张原位图像，经处理生成训练集（15000张）和验证集（2509张）。选用含49个卷积层和1个全连接层的ResNet50模型，通过PaddleClas训练，可边训边评并保存最优模型，还能单独评估及用存盘模型预测。
基于PaddleClas的多场景杂草分类
一、数据集介绍
选定的杂草种类是昆士兰州牧场草原的本地物种。它们包括："Chinee apple", "Snake weed", "Lantana", "Prickly acacia", "Siam weed", "Parthenium", "Rubber vine" and "Parkinsonia". 这些图像是从昆士兰州以下地点的杂草侵扰中收集的地点收集："Black River", "Charters Towers", "Cluden", "Douglas", "Hervey Range", "Kelso", "McKinlay" and "Paluma". 下表和图表按杂草、位置和地理分布对数据集进行了细分。
此数据集的采集更加贴合在自然环境当中，注重实用性。
（a） 在受控实验室环境中拍摄的马缨丹叶图像。（b） 来自DeepWeeds数据集的马缨丹样本图像，原位拍摄，捕捉整个植物的真实视图。二、模型介绍
通过与多个模型的对比，最终我们选择了ResNet50模型
ResNet50
Resnet50 网络中包含了 49 个卷积层、一个全连接层。如图下图所示，Resnet50网络结构可以分成七个部分，第一部分不包含残差块，主要对输入进行卷积、正则化、激活函数、最大池化的计算。第二、三、四、五部分结构都包含了残差块，图 中的绿色图块不会改变残差块的尺寸，只用于改变残差块的维度。在 Resnet50 网 络 结 构 中 ， 残 差 块 都 有 三 层 卷 积 ， 那 网 络 总 共 有1+3×（3+4+6+3）=49个卷积层，加上最后的全连接层总共是 50 层，这也是Resnet50 名称的由来。网络的输入为 224×224×3，经过前五部分的卷积计算，输出为 7×7×2048，池化层会将其转化成一个特征向量，最后分类器会对这个特征向量进行计算并输出类别概率。
三、数据处理
解压数据集
In [ ]!mkdir img !unzip /home/aistudio/data/data200134/images.zip -d /home/aistudio/img登录后复制 In [3]
# 导入相关包from sklearn.utils import shuffleimport osimport pandas as pdimport numpy as npfrom PIL import Imageimport paddleimport paddle.nn as nnfrom paddle.io import Datasetimport paddle.vision.transforms as Timport paddle.nn.functional as Ffrom paddle.metric import Accuracyimport random登录后复制 据最新paddleclas的提示，我们需要把图像变为两个txt文件train_txt,val_txt方便训练时读取数据集In [4]
dirpath = "img"# 先得到总的txt后续再进行划分，因为要划分出验证集，所以要先打乱，因为原本是有序的def get_all_txt(): all_list = [] i = 0 for root in os.listdir(dirpath): i = i + 1 if("0.webp" in root): all_list.append(os.path.join(root)+" 0\n") if("1.webp" in root): all_list.append(os.path.join(root)+" 1\n") if("2.webp" in root): all_list.append(os.path.join(root)+" 2\n") if("3.webp" in root): all_list.append(os.path.join(root)+" 3\n") if("4.webp" in root): all_list.append(os.path.join(root)+" 4\n") if("5.webp" in root): all_list.append(os.path.join(root)+" 4\n") if("6.webp" in root): all_list.append(os.path.join(root)+" 4\n") if("7.webp" in root): all_list.append(os.path.join(root)+" 4\n") allstr = ''.join(all_list) f = open('all_list.txt','w',encoding='utf-8') f.write(allstr) return all_list , iall_list,all_lenth = get_all_txt()print(all_lenth-1) # 有意者是预测的图片，得减去登录后复制 17508登录后复制 In [5]
#打乱原先循序random.shuffle(all_list)random.shuffle(all_list)登录后复制 In [6]
#划分训练集和验证集train_size = int(15000)train_list = all_list[:train_size]val_list = all_list[train_size:]print(len(train_list))print(len(val_list))登录后复制
150002509登录后复制 In [7]
# 运行cell，生成txt train_txt = ''.join(train_list)f_train = open('train_list.txt','w',encoding='utf-8')f_train.write(train_txt)f_train.close()print("train_list.txt 生成成功！")登录后复制 train_list.txt 生成成功！登录后复制 In [8]
# 运行cell，生成txtval_txt = ''.join(val_list)f_val = open('val_list.txt','w',encoding='utf-8')f_val.write(val_txt)f_val.close()print("val_list.txt 生成成功！")登录后复制 val_list.txt 生成成功！登录后复制
四、模型训练
In [9]!unzip -oq /home/aistudio/data/data98136/PaddleClas-release-2.1.zip登录后复制 由于使用的是相对路径，所以我们需要把生成的数据列表移动到“/home/aistudio/PaddleClas-release-2.1/dataset”In [11]
!mv img PaddleClas-release-2.1/dataset/!mv all_list.txt PaddleClas-release-2.1/dataset/!mv train_list.txt PaddleClas-release-2.1/dataset/!mv val_list.txt PaddleClas-release-2.1/dataset/登录后复制 In [13]
%cd PaddleClas-release-2.1!ls登录后复制
/home/aistudio/PaddleClas-release-2.1configs docs MANIFEST.in README_cn.md setup.pydataset __init__.py paddleclas.py README.md toolsdeploy LICENSE ppcls requirements.txt登录后复制 Paddleclas为我们提供了非常多模型，我们可以根据需求自行选择，"/home/aistudio/PaddleClas-release-2.1/configs"这是配置文件所在的路径，记得修改相关配置
In [ ]#我们使用提前准备好的配置文件!python tools/train.py \ -c /home/aistudio/ResNet50.yaml登录后复制
五、模型评估
在训练的过程中，PaddleClas就可以进行边训练边评估，并根据评估的精度值将最优模型参数存储在output/xxx/best_model目录中。 在训练结束后，可以再单独使用eval.py文件进行评估操作。 然后就可以使用存盘的模型文件进行模型预测，一般在研究阶段和比赛阶段，就是这样操作的。 在实际工业落地的时候，对速度要求更高，一般需要将存盘文件转换为推理模型，然后进行推理和部署。In [ ]!python tools/eval.py \ -c /home/aistudio/ResNet50.yaml \ -o pretrained_model="/home/aistudio/PaddleClas-release-2.1/output/ResNet50/best_model"\ -o load_static_weights=False登录后复制 模型训练完成之后，可以加载训练得到的预训练模型(就是存盘文件)，进行模型预测。在模型库的 tools/infer/infer.py 中提供了完整的示例，只需执行下述命令即可完成模型预测：In [ ]
!python tools/infer/infer.py \ -i ~/work/test \ --model ResNet50 \ --pretrained_model "/home/aistudio/PaddleClas-release-2.1/output/ResNet50/best_models" \ --load_static_weights False \ --class_num=8登录后复制
热点追踪提示词
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：【特训营第三期 】基于PaddleClas的多场景杂草分类要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点AI热点2026-07-07 09:25
问界M6纯电四驱高功率版申报 综合功率454千瓦
工信部最新申报信息揭示了问界M6纯电四驱高功率版的详细参数。新车最大亮点在于动力系统的全面升级，其前后双电机综合功率高达454千瓦，远超现款车型。此外，新车最高时速可达200公里 小时，并搭载宁德时代磷酸铁锂电池。车身尺寸方面则与现款保持一致，长宽高分别为4960 1985 1736毫米，轴距295
AI热点2026-07-07 09:25
毕业典礼频现嘘声 微软总裁呼吁AI行业回应公众担忧
近期高校毕业典礼上，演讲者提及人工智能时常引发台下嘘声，凸显公众对AI技术发展的担忧。微软总裁布拉德·史密斯呼吁行业必须严肃回应公众关切，并分享其母校普林斯顿毕业生因怀疑设计借助AI而否决毕业典礼夹克方案的事例。史密斯主张AI应增强而非取代人类能力，认为技术渗透经济的速度可能慢于预期。微软计划今年投
AI热点2026-07-07 09:25
vivo X Fold6折叠屏手机AI轻办公 联动电脑部署小V助手
vivo即将发布的XFold6折叠屏手机聚焦于提升移动办公体验，定位为“AI轻办公神器”。其核心亮点在于强大的跨设备协同能力，支持通过vivo办公套件与Windows或Mac电脑联动，部署功能丰富的PC版“小VClaw”智能助手，内置超30个开源Skills并支持自定义。同时，新机还将搭载全新升
AI热点2026-07-07 09:25
苹果Vision Pro旅行舱全球停售，产品线调整引关注
苹果VisionPro旅行舱已在英国、日本等多国下架，仅在美国等少数市场销售。该产品线投入缩减、团队解散，VisionAir项目取消，未来重心转向智能眼镜等可穿戴设备。
- 日榜
- 周榜
- 月榜
热点快看