【亲测免费】 使用Mini-ImageNet训练分类网络

简介

本资源文件提供了使用Mini-ImageNet数据集训练分类网络的详细教程和代码。Mini-ImageNet是ImageNet数据集的一个子集，包含100个类别，每个类别有600张图片，总共60000张图片。该数据集适用于小样本学习和深度学习模型的训练。

数据集介绍

Mini-ImageNet数据集是从ImageNet数据集中抽取的一小部分，大小约为3GB。数据集的结构如下：

• mini-imagenet/：数据集根目录
  • images/：所有图片存储在此文件夹中
  • train.csv：训练集的标签文件
  • val.csv：验证集的标签文件
  • test.csv：测试集的标签文件

每个CSV文件包含图片名称和对应的类别标签，格式如下：

filename, label
n0153282900000005.jpg, n01532829
n0153282900000006.jpg, n01532829
...

使用方法

1. 数据集下载：可以从提供的链接下载Mini-ImageNet数据集。
2. 数据预处理：根据需要，可以重新划分训练集和验证集，生成新的CSV文件。
3. 模型训练：使用提供的训练脚本，可以选择单GPU或多GPU进行训练。

训练脚本

项目中提供了两个训练脚本，分别适用于单GPU和多GPU训练。训练脚本以ShuffleNetv2为例进行讲解，训练100个epoch后，准确率可达78%。

迁移学习

使用Mini-ImageNet预训练的权重进行迁移学习，可以在其他小数据集上获得更好的性能。例如，在不使用预训练权重的情况下，训练自己的数据集可以达到80%的准确率；使用预训练权重后，准确率可提升至90%。

注意事项

• Mini-ImageNet数据集适用于快速验证新网络结构和模型性能。
• 由于数据量较小，基于Mini-ImageNet的预训练权重与基于ImageNet的预训练权重相比，性能略有差距。

参考

本资源文件参考了CSDN博客文章《使用Mini-ImageNet训练分类网络》，详细内容可查阅该文章。