Skip to content

基于 Pytorch 的垃圾识别与分类。本项目源于浙江大学光电学院课程设计。(程序仅供参考,很久没关注这方面内容了,为避免误导,相关问题不作回答)

Notifications You must be signed in to change notification settings

guanqr/Garbage-Classification

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

1 Commit
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Garbage-Classification

基于 OpenCV 的目标检测

detect.py 为视频目标检测参考代码,利用 Opencv,包括 knn,mog2,grabcut 三种方式,可根据实际效果选择。

基于 MobileNet V3 的垃圾分类

程序结构

  • main.py: 模型训练代码
  • inference.py:前向传播
  • config.py: 程序运行时的相关参数
  • data/TrashSet.py:垃圾数据集类
  • images/文件夹:提供一些测试图片
  • models/mbv3_small.pth.tar:mobilenet v3 在 imagenet 预训练权重
  • models/mobilenetv3.py: 模型文件
  • utils/文件夹:提供一些关于 imagenet 的可用函数

模型训练结果

数据集

自己采集的垃圾分类数据集 TrashBig, 其中有 12 个小类别:

['bananapeel', 'battery', 'cardboard', 'clothes', 'drugs', 'glass', 'lightbulb', 'metal', 'paper', 'papercup', 'plastic', 'vegetable']

这12个小类别分别属于四个大类别:

{'Recyclables': 2624, 'Kitchen waste': 939, 'Hazardous waste': 1581, 'Other': 963}

训练集图片共计 6000 张左右。验证数据集每类 60 张左右,共计 720 张左右。

训练结果

大类别的分类精度都在 90% 以上。

使用自己的数据集训练模型

  1. 程序运行环境:Pytorch 1.0 以上版本、opencv-python、numpy、tensorboard。
  2. 数据集的组织要求:数据集目录下分为两个小目录:train 和 val。每个小目录下以类别名称命名的文件夹,存储对应类别的图片。
  3. config.py 文件的修改:对 config.py 文件进行修改:
  4. 运行 main.py

运行前向传播测试

直接运行 inference.py 即可测试。修改 config.pyDefaultConfig.InferWithGPU 参数即可切换前向传播使用 GPU 还是 CPU。对 inference.py 文件稍加修改即可对自己的图片进行分类。

About

基于 Pytorch 的垃圾识别与分类。本项目源于浙江大学光电学院课程设计。(程序仅供参考,很久没关注这方面内容了,为避免误导,相关问题不作回答)

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages