边缘计算与智能视觉应用
5.2mobilenet图像分类模型
延时符
MobileNetV3模型架构解析
MobileNetV3模型架构解析
MobileNetV3对耗时层结构进行了重新设计，特别是针对第一层和最后一层的卷积操作进行了优化。首先，将第一层卷积核的数量从32减少到16，以此来减少计算量，同时保持模型的准确率。
3.耗时层结构的优化
MobileNetV3的设计过程结合了NAS算法，首先使用NAS搜索出初步的网络结构，然后使用NetAdapt确定每个滤波器的通道数量。
5.神经架构搜索（NAS）
MobileNetV3提供了两种不同的网络结构：MobileNetV3-large和MobileNetV3-small，分别适用于不同的计算资源和应用场景。
4.网络结构配置
obileNetV3引入了注意力机制（SE模块）和新的激活函数，对原有的Block（bneck）结构进行了更新。SE模块通过对每一个通道进行池化处理，计算出每个通道的重要性权重。
1.Block（bneck）的更新
在激活函数方面，MobileNetV3放弃了MobileNetV2中使用的ReLU6，改用了更加复杂的swish激活函数。
2.激活函数的重新设计
MobileNet模型实现
MobileNet模型可以通过多种深度学习框架实现，如TensorFlow、PyTorch等。
mobilenet模型训练环境要求
mobilenet模型训练环境要求
6.数据集结构
在训练MobileNetV3模型时，数据集需要按照特定格式组织，尤其是针对自定义数据集。通常情况下，自定义数据集应按照以下文件夹结构组织：
mobilenet模型训练环境要求
7、数据集划分
子数据
子数据
子数据
子数据
子数据
子数据
子数据
子数据
数据集划分
训练集：用于训练模型，占整个数据集的70%-80%。
验证集（可选）：用于调整超参数并评估模型在未见过的数据上的性能，占整个数据集的10%-15%。
测试集（可选）：用于最终评估模型的性能，占整个数据集的10%-15%。
mobilenet模型训练
mobilenet模型训练
定义了训练和验证的图像预处理步骤，包括随机裁剪、水平翻转、标准化等。
1、数据预处理
使用torchvision.datasets.ImageFolder类加载自定义数据集，并根据图像的文件夹名称自动分配类别标签。
2、数据加载
加载MobileNetV3的预训练模型权重，并选择冻结特征提取层的权重，适用于迁移学习。
3、模型初始化
定义了训练和验证的流程，每个epoch结束后，验证集的准确率会被评估，并在准确率提升时保存模型。
4、训练与验证
01
02
03
04
5、训练代码
以下代码展示了如何在自定义数据集上训练MobileNetV3模型。
mobilenet模型训练
6、训练过程
训练过程如下：
模型在边缘设备上的部署
模型在边缘设备上的部署
1、保存训练好的模型
2、推理代码说明
3、测试部署效果
在训练完成后，我们需要将模型的权重保存为一个文件，以便后续部署使用。常用的方法是使用torch.save()函数将模型的state_dict保存为.pth文件
左是推理过程的代码，在部署到边缘设备时，使用该代码进行图像分类任务：
将上述推理代码部署到边缘设备后，通过执行推理代码，可以测试模型在实际环境中的表现。通过输出的预测结果与真实标签的比较，可以评估模型的准确性。
谢谢观看
Thankyouforwatching