如何微调 mobilenetv2_050.lamb_in1k 适配自己的数据集:迁移学习实战教程
如何微调 mobilenetv2_050.lamb_in1k 适配自己的数据集:迁移学习实战教程
想在手机端或边缘设备上部署轻量图像模型?mobilenetv2_050.lamb_in1k 微调是最具性价比的方案。该模型基于 timm 框架在 ImageNet-1k(1000 类)上预训练,参数量仅约 200 万,通用视觉特征扎实。本教程带你走一遍完整的迁移学习流程:从看懂模型文件,到自己数据集上微调权重,5 步即可得到可用的分类模型。
⚡ 为什么选择 mobilenetv2_050.lamb_in1k?
一句话概括:小到能跑在手机上,准到足以实用。
| 指标 | 数值 | 说明 |
|---|---|---|
| 参数量 | 2.0M | 仅为大型骨干网络的几十分之一,显存占用极低 |
| 计算量 | 0.1 GMACs | CPU / 移动端推理几乎无压力 |
| 输入尺寸 | 224 × 224 | 标准输入分辨率 |
| 预训练数据 | ImageNet-1k(1000 类) | 通用图像特征的"黄金底座" |
| 框架 | PyTorch / timm | 生态成熟,微调工具链完善 |
模型名中的 lamb_in1k 表示使用 LAMB 优化器配方在 ImageNet-1k 上训练(训练配方详见 README.md)。这种长周期训练配方通常带来更好的泛化能力,对迁移学习尤其有利。
📦 动手前:先看懂模型仓库里的文件
| 文件 | 作用 |
|---|---|
| config.json | 模型配置:架构、类别数、归一化参数、输入尺寸等 |
| model.safetensors | 预训练权重(safetensors 格式,推荐加载) |
| pytorch_model.bin | 预训练权重(PyTorch 二进制格式) |
| configuration.json | 框架与任务声明:PyTorch / 图像分类 |
| README.md | 模型卡:推理、特征图与 Embedding 用法示例 |
config.json 中有三组微调时必须关注的参数:
- mean / std:
0.485 / 0.456 / 0.406与0.229 / 0.224 / 0.225,标准 ImageNet 归一化参数; - input_size:
[3, 224, 224],输入分辨率; - num_classes:
1000,预训练分类头输出维度——微调时需要替换成你的类别数。
🚀 5 步微调适配自己的数据集
第 1 步:组织数据集
按 ImageFolder 结构摆放图片(训练/验证集各按类别建目录):
data/
├── train/
│ ├── cat/
│ ├── dog/
│ └── ...
└── val/
├── cat/
└── dog/
第 2 步:加载预训练权重并替换分类头
微调的核心思路:保留 ImageNet 学到的"视觉特征"(骨干网络),只把"决策层"(分类器)换成你的类别数。
import timm
model = timm.create_model(
'mobilenetv2_050.lamb_in1k',
pretrained=True,
num_classes=你的类别数 # 重建分类头
)
第 3 步:先冻结骨干,只训练分类器
数据量较小(如 1 万张以内)时,推荐两阶段策略:
- 阶段一:冻结骨干网络参数(设置
requires_grad = False),只训练新分类器,跑 3~5 个 epoch; - 阶段二:解冻全部参数,把骨干的学习率调低一个数量级,再整体微调 10~30 个 epoch。
这样做能防止小数据集"冲掉"预训练权重,是迁移学习的黄金法则。
第 4 步:微调超参速查表
| 超参 | 建议值 | 说明 |
|---|---|---|
| 优化器 | AdamW 或 SGD | 新手建议 AdamW,更稳 |
| 学习率(分类器) | 1e-3 | 新参数,可以大一些 |
| 学习率(骨干) | 1e-5 ~ 1e-4 | 比分类器小约 10 倍 |
| 训练轮数 | 10 ~ 30 | 以验证集准确率为准 |
| 批量大小 | 32 ~ 128 | 视显存而定 |
| 输入尺寸 | 224 × 224 | 与预训练权重保持一致 |
| 数据增强 | 随机裁剪 + 水平翻转 | 预训练配置 crop_pct = 0.875(见 config.json) |
第 5 步:评估与导出
用验证集确认准确率稳定后,将训练好的权重保存为 .safetensors 或 .pth 文件。部署时直接替换本仓库中的 model.safetensors 即可,推理管线无需任何改动。
⚠️ 常见踩坑清单
- 忘了替换分类头:默认输出仍是 1000 维(见 config.json),训练完模型输出依然是错的;
- 归一化参数不匹配:mean / std 若与 config.json 不一致,精度会明显下降;
- 骨干学习率过大:预训练权重被"洗白",精度反而低于直接微调的基线;
- 高估小模型能力:0.5 宽度是轻量变体,极细粒度任务(如近缘物种区分)建议换用 1.0 宽度版本。
📊 不止分类:这个模型还能这样用
- 特征图提取:以
features_only=True加载即可拿到多尺度特征图,适合接入分割、检测网络; - 图像 Embedding:以
num_classes=0加载可得到 1280 维特征向量(num_features见 config.json),可用于图像检索与聚类。
两种用法的完整示例都在 README.md 中,照着改即可。
至此,mobilenetv2_050.lamb_in1k 微调的完整流程已经跑通——准备好你的数据集,动手试试吧!
登录后查看全文