测试集上评估Pytorch训练得到的图像分类模型【两天搞定AI毕业设计】

合集 · 两天搞定人工智能毕业设计之【图像分类】 (16)

  1. 35:07
    构建自己的图像分类数据集【两天搞定AI毕设】
  2. 37:55
    Pytorch预训练图像分类模型识别预测【两天搞定AI毕设】
  3. 51:15
    Pytorch迁移学习训练自己的图像分类模型【两天搞定AI毕设】
  4. 16:46
    用训练得到的pytorch图像分类模型,识别图像、视频、摄像头画面【两天搞定AI毕设】
  5. 24:49
    测试集上评估Pytorch训练得到的图像分类模型【两天搞定AI毕业设计】
  6. 30:20
    图像分类测试集语义特征降维可视化
  7. 46:34
    图像分类可解释性分析实战-CAM热力图系列算法
  8. 10:50
    图像分类可解释性分析实战-Deep Feature Factorization
  9. 13:12
    图像分类可解释性分析实战-Captum工具包
  10. 49:01
    图像分类可解释性分析实战-shap工具包
  11. 14:58
    图像分类可解释性分析实战-lime工具包
  12. 16:41
    图像分类模型部署-Pytorch转ONNX
  13. 23:01
    Pytorch图像分类模型部署-ONNX Runtime本地终端推理
  14. 16:33
    Pytorch图像分类部署-ONNX Runtime安卓手机APP
  15. 6:04
    Pytorch图像分类部署-ONNX Runtime浏览器Web前端
  16. 34:14
    AidLux图像分类部署-安卓鸿蒙高通ARM
Description
【子豪兄带你两天搞定AI毕业设计】
使用Pytorch迁移学习训练得到的30类水果图像分类模型,对测试集图像运行图像分类预测,在测试集上评估模型准确率性能。计算各类别评估指标,绘制混淆矩阵、PR曲线、ROC曲线。
代码教程:https://github.com/TommyZihao/Train_Custom_Dataset
代码运行云GPU环境:https://featurize.cn/?s=d7ce99f842414bfcaea5662a97581bd1

Comments

同济子豪兄 2022-08-21

代码教程:https://github.com/TommyZihao/Train_Custom_Dataset 代码运行云GPU环境:https://featurize.cn/?s=d7ce99f842414bfcaea5662a97581bd1 图像分类答疑交流群(有问必答):https://zdb.h5.xeknow.com/s/3MPxbI

♥ 11

AI视频小助理 2023-12-01

一、如何使用测试集对图像分类模型进行定量评估,详细讲解了数据集的准备和模型的预测过程,并提供了代码示例。 00:01 - 介绍图像分类的背景和目标 01:06 - 安装MATLAB环境和PYTORCH,准备数据集和测试集 04:05 - 使用torch.vision.datasets加载测试集,并构建一个pandas的数据框 二、使用模型预测测试集图像的分类结果,并使用准确率、top n准确率等指标进行评估。同时,还介绍了评估指标中的micro average和wait average的区别。 04:58 - 制作了A表和B表,用模型预测测试集图像分类结果 06:57 - 拼接A表和B表,保存为本地CSV文件,可用于分析 09:25 - 介绍了micro average和weight average两种平均方法,推荐使用wait average更科学 三、如何使用混淆矩阵来评估模型的准确率,并通过可视化的方式展示了模型在预测错误时的图像,帮助我们分析模型的优劣。 09:55 - 数据集中样本比例均匀,两个模型评估指标差不多。 10:48 - 使用混淆矩阵可视化模型预测错误的类别和数量。 13:15 - 通过筛选误判图像,分析模型何时表现良好,何时出现错误。 四、混淆矩阵、Precision、Recall和F1score的概念和计算方法,以及如何绘制PR曲线和ROC曲线来评估分类器性能,并给出了具体的代码实现。 14:51 - 混淆矩阵可以计算出每个类别的precision和recall 15:47 - 可以绘制PR曲线和ROC曲线来评估分类器的好坏 19:12 - 可以计算AP,即PR曲线下方的面积,来评估分类器的好坏 五、如何使用混淆矩阵和ROC曲线来评估分类器的性能,并计算了各分类器的AP和AOC指标。同时,还介绍了可视化代码和METLIB绘图技巧。 19:49 - 柠檬和柚子的PR曲线表现较差,但总体表现良好。 21:13 - 荔枝类别的ROC曲线越靠左上角越好。 24:20 - 测试集的语义特征降维可视化是重要的知识点,需要掌握混淆矩阵、ROC曲线、AUC等概 --本内容由AI视频小助理生成,关注解锁AI助理,由@炒股给无望生活点希望 召唤发送

♥ 8

蜜汁鲤娱 2022-08-27

子豪兄 可以讲讲图像对抗攻击吗?让神经系统对分类进行误判

♥ 5 ↩ 2

朱皮冻的狂想 2023-06-06

教程真不错,感觉用来写论文都可以的

♥ 3 ↩ 4

修身兼养性 2022-08-26

顺便问一句,我看豪哥仓库里构建了MMClassification的仓库,打算啥时候上线讲解视频啊[妙啊]

♥ 3

Larry同学 2023-02-15

子豪兄,求更关键点检测毕业设计!感谢感谢

♥ 2

日币狂魔 2024-07-13

为啥我的b表生成不了 只能生成a

♥ 1

梅梅梅梅梅事 2023-10-24

子豪兄,我在表格B-测试集每张图像的图像分类预测结果,以及各类别置信度时,报错RuntimeError: selected index k out of range,请问什么原因? 我的数据集是二分类两个文件夹。有小伙伴知道的吗也期待解答!!

♥ 1

--刘一 2023-09-02

大佬,我这个中文字体为什么没用,运行不了

♥ 1 ↩ 2

嘻嘻000001 2023-08-21

请问各位大佬为什么我的混淆矩阵没有错误,但PR曲线就很奇怪,只有一条线对得上,其他种类还不如瞎猜,请问是哪里出错了呢?[脱单doge][脱单doge][脱单doge][脱单doge]菜菜小白在线求教。

♥ 1

话费开开关关 2022-08-18

来看导师了[脱单doge][脱单doge]

♥ 1

不忘初心6m6 2025-03-11

为什么把各类指标的讲解视频删除了?

↩ 1

智者LZ 2024-06-30

--------------------------------------------------------------------------- AttributeError Traceback (most recent call last) Cell In【24】, line 2 1 model = torch.load('checkpoint/best-0.887.pth') ----> 2 model = model.eval().to(device) AttributeError: 'collections.OrderedDict' object has no attribute 'eval'有人知道这个为什么吗

↩ 1

一笔不写经年 2024-05-10

我训练得类比较少 ,只有两个,而且在没出现待检测物体时,也会显示两类的置信度,咋个解决嘞,就是只让在检测物体出现时才显示左上角的数字

学疯了快 2023-12-26

您好,请问一下在测试集的评价指标中top-n的准确率是什么意思呀??指的是什么呢?

↩ 1

炒股给无望生活点希望 2023-12-01

@AI视频小助理 总结一下

mrIfang 2023-11-23

大佬 想问问混淆矩阵的每个事件的准确率和roc曲线的每种事件的AUC的值是一样的吗

木叶的天空 2023-11-18

请问大佬们为什么我输出测试集预测结果csv的时候,有时候会报错有时候就不会报错啊。就比如我用的训练权重只迭代两次的时候就不报错,迭代五次就报错了。

bilibilibiu21 2023-06-26

您好,请问模型一共训练100轮,是拿测试集中最高分类准确率所在的模型的权重来绘制混淆矩阵吗

↩ 1