当前位置： 首页 > wzjs >正文

购物导购网站开发他达拉非片和伟哥区别

wzjs 2025/8/28 7:43:37
购物导购网站开发,他达拉非片和伟哥区别,ps案例教程网站,wordpress网站映射目录 1.efficientNet 网络 2. 猫和老鼠 3. QT推理 4. 项目 1.efficientNet 网络 本章做了一个视频内容识别的系统 本文选用的模型是efficientNet b0版本 EfficientNet 是 Google 团队在 2019 年提出的一系列高效卷积神经网络模型，其核心思想是通过复合缩放&…

目录

1.efficientNet 网络

2. 猫和老鼠

3. QT推理

4. 项目

1.efficientNet 网络

本章做了一个视频内容识别的系统

本文选用的模型是efficientNet b0版本

EfficientNet 是 Google 团队在 2019 年提出的一系列高效卷积神经网络模型，其核心思想是通过复合缩放（Compound Scaling）方法平衡网络的深度（depth）、宽度（width）和分辨率（resolution），从而在计算资源受限的条件下实现更高的性能。EfficientNet-B0 是该系列的基础模型，后续版本（B1-B7）基于 B0 进行缩放。

EfficientNet-B0 的核心设计

1. 基础架构：MobileNet-like + 优化

EfficientNet-B0 的骨干网络基于反向残差块（MBConv，Mobile Inverted Bottleneck），类似 MobileNetV2，但通过神经架构搜索（NAS）优化了层结构和连接方式。主要特点包括：

  • MBConv 模块：包含扩展（expansion）、深度可分离卷积（depthwise convolution）和压缩（squeeze-and-excitation）操作。

    • 扩展层：先用 1x1 卷积扩展通道数（通常扩展比为 6）。

    • 深度可分离卷积：3x3 或 5x5 的逐通道卷积，减少计算量。

    • SE 注意力机制：压缩激励（Squeeze-and-Excitation）模块动态调整通道权重。

    • 残差连接：当输入输出维度相同时引入。

2. 复合缩放（Compound Scaling）

EfficientNet 提出统一的缩放规则，同时调整三个维度：

  • 深度（d）：网络层数，通过重复堆叠 MBConv 实现。

  • 宽度（w）：每层的通道数。

  • 分辨率（r）：输入图像的分辨率（如 224x224 → 更高分辨率）。

缩放公式：

depth:d=αϕ,width:w=βϕ,resolution:r=γϕ

其中 α,β,γα,β,γ 是通过网格搜索确定的基础缩放系数（B0 的 ϕ=1）。

EfficientNet-B0 的具体结构

以下是 B0 的详细层结构（输入分辨率 224x224）：

Stage

Operator

Resolution

Channels

Layers

1

Conv3x3

224x224

32

1

2

MBConv1 (k3x3, stride1)

112x112

16

1

3

MBConv6 (k3x3, stride2)

112x112

24

2

4

MBConv6 (k5x5, stride2)

56x56

40

2

5

MBConv6 (k3x3, stride2)

28x28

80

3

6

MBConv6 (k5x5, stride1)

14x14

112

3

7

MBConv6 (k5x5, stride2)

14x14

192

4

8

MBConv6 (k3x3, stride1)

7x7

320

1

9

Conv1x1 + Pooling + FC

7x7

1280

1

  • k：卷积核大小，stride：步长，MBConv6：扩展比为 6 的 MBConv 模块。

  • 最后一层使用 1x1 卷积升维到 1280 通道，接全局平均池化和全连接分类层。

关键创新点

  1. MBConv + SE 模块：

    • 深度可分离卷积减少计算量。

    • SE 模块（通道注意力）提升特征表达能力。

  2. 复合缩放：

    • 平衡深度、宽度、分辨率，避免单一维度的过度缩放导致性能饱和。

  3. 神经架构搜索（NAS）：

    • 基于 AutoML 搜索最优的基础结构（B0），再通过缩放得到 B1-B7。

性能对比

  • 参数量：B0 仅 5.3M 参数，比 ResNet-50（25.5M）少 5 倍。

  • 准确率：在 ImageNet 上达到 77.1% top-1 准确率（ResNet-50 为 76%），FLOPs 仅 0.39B。

应用场景

  • 移动端/边缘设备：因低计算开销和高效率。

  • 迁移学习：作为特征提取器用于下游任务（如检测、分割）。

代码实现（PyTorch 示例）

import torch
from efficientnet_pytorch import EfficientNetmodel = EfficientNet.from_pretrained('efficientnet-b0')
input = torch.randn(1, 3, 224, 224)
output = model(input)
print(output.shape)  # [1, 1000]

EfficientNet-B0 通过智能设计和缩放策略，实现了在小模型中的卓越性能，成为轻量级网络的标杆之一。后续的 EfficientNetV2 进一步优化了训练速度和精度。

2. 猫和老鼠

数据集这里用的是猫和老鼠的例子：

 

 

训练参数在这里：

    parser.add_argument("--model", default='b0', type=str,help='b0')parser.add_argument("--pretrained", default=False, type=bool)       # 采用官方权重parser.add_argument("--freeze_layers", default=False, type=bool)    # 冻结权重parser.add_argument("--batch-size", default=8, type=int)parser.add_argument("--epochs", default=200, type=int)parser.add_argument("--optim", default='Adam', type=str,help='SGD,Adam,AdamW')         # 优化器选择parser.add_argument('--lr', default=0.001, type=float)parser.add_argument('--lrf',default=0.001,type=float)                  # 最终学习率 = lr * lrfparser.add_argument('--save_ret', default='runs', type=str)             # 保存结果parser.add_argument('--data_train',default='./data/train',type=str)           # 训练集路径parser.add_argument('--data_val',default='./data/val',type=str)               # 测试集路径

这里不多介绍了，大概训练的流程和本专栏的差不多

最后一个epoch：

    "epoch:199": {"train info": {"accuracy": 0.9873817034388839,"Jerry": {"Precision": 0.9798,"Recall": 1.0,"Specificity": 0.9909,"F1 score": 0.9898},"Tom": {"Precision": 0.9944,"Recall": 0.9889,"Specificity": 0.9927,"F1 score": 0.9916},"Tom and Jerry": {"Precision": 0.9744,"Recall": 0.95,"Specificity": 0.9964,"F1 score": 0.962},"mean precision": 0.9828666666666667,"mean recall": 0.9796333333333335,"mean specificity": 0.9933333333333333,"mean f1 score": 0.9811333333333333},"valid info": {"accuracy": 0.7619047617838246,"Jerry": {"Precision": 0.8333,"Recall": 0.9091,"Specificity": 0.9024,"F1 score": 0.8696},"Tom": {"Precision": 0.7187,"Recall": 0.8846,"Specificity": 0.7568,"F1 score": 0.7931},"Tom and Jerry": {"Precision": 0.7143,"Recall": 0.3333,"Specificity": 0.9583,"F1 score": 0.4545},"mean precision": 0.7554333333333334,"mean recall": 0.7090000000000001,"mean specificity": 0.8725,"mean f1 score": 0.7057333333333333}

 

3. QT推理

运行结果：

生成的视频：

 视频检测记录：

代码参考：

import os
import sys
from PyQt5.QtWidgets import (QApplication, QMainWindow, QVBoxLayout, QHBoxLayout,QPushButton, QLabel, QFileDialog, QCheckBox, QWidget,QProgressBar, QMessageBox, QGroupBox, QSpacerItem,QSizePolicy)
from PyQt5.QtCore import Qt, QThread, pyqtSignal
from PyQt5.QtGui import QImage, QPixmap, QFont
import cv2
from PIL import Image
from openpyxl import Workbook
from openpyxl.styles import Font
import datetime
import torch
import torchvision.models as m
from torchvision import transformsdef create_model(model,num,weights):net = m.efficientnet_b0(weights=m.EfficientNet_B0_Weights.DEFAULT if weights else False,progress=True)tmp = list(net.classifier)[-1].in_featuresnet.classifier = torch.nn.Linear(tmp,num,bias=True)return netdef data_trans(train_mean=[0.485, 0.456, 0.406], train_std=[0.229, 0.224, 0.225]):train_transform = transforms.Compose([transforms.Resize(256),transforms.RandomRotation(90),                # 随机旋转transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(train_mean, train_std)])test_transform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(train_mean, train_std)])return train_transform,test_transformdef get_device():device = torch.device("cuda" if torch.cuda.is_available() else "cpu")print("Using device is: ", device)return deviceclass VideoProcessor(QThread):update_frame = pyqtSignal(QImage)update_progress = pyqtSignal(int)finished_processing = pyqtSignal(str, str)  # 修改为返回两个路径error_occurred = pyqtSignal(str)def __init__(self, video_path, save_video, save_excel):super().__init__()self.video_path = video_pathself.save_video = save_videoself.save_excel = save_excelself.running = Truedef run(self):output_video_path = ""output_excel_path = ""try:device = get_device()_, data_transform = data_trans()labels = {"0": "Jerry","1": "Tom","2": "Tom and Jerry"}# 创建模型net = create_model(model='b0', num=len(labels), weights=False)net.load_state_dict(torch.load('./runs/weights/best.pth'), strict=False)net.to(device)net.eval()# 视频输入cap = cv2.VideoCapture(self.video_path)if not cap.isOpened():self.error_occurred.emit("无法打开视频文件")return# 获取视频信息fps = cap.get(cv2.CAP_PROP_FPS)width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))# 创建Excel工作簿（如果需要）if self.save_excel:wb = Workbook()ws = wb.activews.title = "Video Classification Results"headers = ["时间范围(秒)", "识别类别"]for col, header in enumerate(headers, 1):ws.cell(row=1, column=col, value=header).font = Font(bold=True)# 创建视频输出（如果需要）if self.save_video:timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")output_video_path = os.path.splitext(self.video_path)[0] + f"_output_{timestamp}.mp4"fourcc = cv2.VideoWriter_fourcc(*'mp4v')out = cv2.VideoWriter(output_video_path, fourcc, fps, (width, height))current_second = -1row_idx = 2last_class = Nonestart_time = 0end_time = 0frame_count = 0with torch.no_grad():while self.running and cap.isOpened():ret, frame = cap.read()if not ret:if last_class is not None and self.save_excel:time_range = f"{start_time}~{end_time}" if start_time != end_time else str(start_time)ws.cell(row=row_idx, column=1, value=time_range)ws.cell(row=row_idx, column=2, value=last_class)breakframe_count += 1progress = int((frame_count / total_frames) * 100)self.update_progress.emit(progress)current_time = frame_count / fpssecond = int(current_time)# 转换帧为PIL Image并进行预处理pil_img = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))img = data_transform(pil_img)img = torch.unsqueeze(img, dim=0)# 预测output = net(img.to(device))output = torch.softmax(output, dim=1)p, index = torch.topk(output, k=3)current_class = labels[str(index.to("cpu").numpy()[0][0])]# 在左上角显示三个类别的概率text_y = 30for i in range(3):class_idx = index.to("cpu").numpy()[0][i]class_name = labels[str(class_idx)]prob = p.to("cpu").numpy()[0][i]text = f'{class_name}: {prob:.4f}'cv2.putText(frame, text, (10, text_y), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)text_y += 30# 每秒检查一次结果if second != current_second:current_second = secondif current_class != last_class:if last_class is not None and self.save_excel:time_range = f"{start_time}~{end_time}" if start_time != end_time else str(start_time)ws.cell(row=row_idx, column=1, value=time_range)ws.cell(row=row_idx, column=2, value=last_class)row_idx += 1start_time = secondlast_class = current_classend_time = second# 转换为Qt图像并发送rgb_image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)h, w, ch = rgb_image.shapebytes_per_line = ch * wqt_image = QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888)self.update_frame.emit(qt_image)# 保存结果（如果需要）if self.save_video:out.write(frame)# 保存Excel文件if self.save_excel:timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")output_excel_path = os.path.splitext(self.video_path)[0] + f"_classification_{timestamp}.xlsx"wb.save(output_excel_path)# 释放资源cap.release()if self.save_video:out.release()self.finished_processing.emit(output_video_path, output_excel_path)except Exception as e:self.error_occurred.emit(f"处理过程中发生错误: {str(e)}")def stop(self):self.running = Falseclass VideoClassifierApp(QMainWindow):def __init__(self):super().__init__()self.setWindowTitle("智能视频分类工具")self.setGeometry(100, 100, 900, 700)self.setMinimumSize(800, 600)self.video_path = ""self.init_ui()self.processor = Nonedef init_ui(self):main_widget = QWidget()main_layout = QVBoxLayout()main_layout.setContentsMargins(15, 15, 15, 15)main_layout.setSpacing(15)# 文件选择区域file_group = QGroupBox("视频文件选择")file_layout = QHBoxLayout()file_layout.setContentsMargins(10, 10, 10, 10)self.video_label = QLabel("未选择视频文件")self.video_label.setStyleSheet("QLabel { padding: 5px; }")self.video_label.setMinimumWidth(300)self.browse_button = QPushButton("选择视频")self.browse_button.setFixedWidth(120)self.browse_button.setStyleSheet("QPushButton { padding: 5px; font-weight: bold; }""QPushButton:hover { background-color: #e0e0e0; }")self.browse_button.clicked.connect(self.browse_video)file_layout.addWidget(self.video_label)file_layout.addWidget(self.browse_button)file_group.setLayout(file_layout)main_layout.addWidget(file_group)# 选项区域options_group = QGroupBox("输出选项")options_layout = QHBoxLayout()options_layout.setContentsMargins(10, 10, 10, 10)self.save_video_check = QCheckBox("保存识别结果视频")self.save_video_check.setChecked(True)self.save_video_check.setStyleSheet("QCheckBox { padding: 5px; }")self.save_excel_check = QCheckBox("保存Excel分类结果")self.save_excel_check.setChecked(True)self.save_excel_check.setStyleSheet("QCheckBox { padding: 5px; }")options_layout.addWidget(self.save_video_check)options_layout.addWidget(self.save_excel_check)options_group.setLayout(options_layout)main_layout.addWidget(options_group)# 视频显示区域display_group = QGroupBox("视频预览")display_layout = QVBoxLayout()display_layout.setContentsMargins(10, 10, 10, 10)self.video_display = QLabel()self.video_display.setAlignment(Qt.AlignCenter)self.video_display.setMinimumSize(640, 360)self.video_display.setStyleSheet("QLabel { background-color: black; border: 1px solid #ccc; }")display_layout.addWidget(self.video_display)display_group.setLayout(display_layout)main_layout.addWidget(display_group)# 进度条区域self.progress_bar = QProgressBar()self.progress_bar.setStyleSheet("QProgressBar { height: 20px; text-align: center; }""QProgressBar::chunk { background-color: #4CAF50; }")main_layout.addWidget(self.progress_bar)# 按钮区域button_layout = QHBoxLayout()button_layout.setSpacing(20)spacer = QSpacerItem(40, 20, QSizePolicy.Expanding, QSizePolicy.Minimum)button_layout.addItem(spacer)self.start_button = QPushButton("开始分类")self.start_button.setFixedWidth(150)self.start_button.setStyleSheet("QPushButton { padding: 8px; font-weight: bold; background-color: #4CAF50; color: white; }""QPushButton:hover { background-color: #45a049; }""QPushButton:disabled { background-color: #cccccc; }")self.start_button.clicked.connect(self.start_processing)self.stop_button = QPushButton("停止")self.stop_button.setFixedWidth(150)self.stop_button.setStyleSheet("QPushButton { padding: 8px; font-weight: bold; background-color: #f44336; color: white; }""QPushButton:hover { background-color: #d32f2f; }""QPushButton:disabled { background-color: #cccccc; }")self.stop_button.clicked.connect(self.stop_processing)self.stop_button.setEnabled(False)button_layout.addWidget(self.start_button)button_layout.addWidget(self.stop_button)button_layout.addItem(spacer)main_layout.addLayout(button_layout)# 状态栏self.status_bar = QLabel()self.status_bar.setStyleSheet("QLabel { color: #666666; font-style: italic; border-top: 1px solid #eeeeee; padding: 5px; }")self.update_status("准备就绪")main_layout.addWidget(self.status_bar)main_widget.setLayout(main_layout)self.setCentralWidget(main_widget)def browse_video(self):file_path, _ = QFileDialog.getOpenFileName(self,"选择视频文件","","视频文件 (*.mp4 *.avi *.mov);;所有文件 (*.*)")if file_path:self.video_path = file_pathself.video_label.setText(os.path.basename(file_path))self.update_status(f"已选择视频: {os.path.basename(file_path)}")def start_processing(self):if not self.video_path:QMessageBox.warning(self, "警告", "请先选择视频文件")returnself.start_button.setEnabled(False)self.stop_button.setEnabled(True)self.browse_button.setEnabled(False)self.update_status("正在处理视频...")self.processor = VideoProcessor(self.video_path,self.save_video_check.isChecked(),self.save_excel_check.isChecked())self.processor.update_frame.connect(self.update_frame)self.processor.update_progress.connect(self.update_progress)self.processor.finished_processing.connect(self.processing_finished)self.processor.error_occurred.connect(self.show_error)self.processor.start()def stop_processing(self):if self.processor:self.processor.stop()self.processor = Noneself.reset_ui()self.update_status("处理已停止")def update_frame(self, image):pixmap = QPixmap.fromImage(image)self.video_display.setPixmap(pixmap.scaled(self.video_display.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation))def update_progress(self, value):self.progress_bar.setValue(value)self.update_status(f"处理中... {value}% 完成")def processing_finished(self, video_path, excel_path):self.reset_ui()message = "处理完成！"if video_path:message += f"\n视频已保存到: {video_path}"if excel_path:message += f"\nExcel已保存到: {excel_path}"self.update_status(message)QMessageBox.information(self, "完成", message)def show_error(self, message):self.reset_ui()self.update_status(f"错误: {message}")QMessageBox.critical(self, "错误", message)def reset_ui(self):self.start_button.setEnabled(True)self.stop_button.setEnabled(False)self.browse_button.setEnabled(True)self.progress_bar.setValue(0)def update_status(self, message):self.status_bar.setText(f"状态: {message}")def closeEvent(self, event):if self.processor and self.processor.isRunning():self.processor.stop()self.processor.wait()event.accept()if __name__ == '__main__':os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'app = QApplication(sys.argv)# 设置全局字体font = QFont()font.setFamily("Microsoft YaHei")font.setPointSize(10)app.setFont(font)window = VideoClassifierApp()window.show()sys.exit(app.exec_())

4. 项目

下载地址：猫和老鼠

关于图像分类、分割网络的改进：图像分类网络改进_听风吹等浪起的博客-CSDN博客 

http://www.dtcms.com/wzjs/516881.html

相关文章：

  • 软件开发外包公司赚钱不优化设计七年级上册语文答案
  • 做直播网站需要证书吗网页制作接单平台
  • 本地生活网站建设淘宝网店代运营正规公司
  • 做网站需要什么系统自助网站建设
  • 江苏中兴建设有限公司网站国内最新消息
  • 东莞网站建设地点优化seo推广软件
  • 手机网站编程免费域名解析平台
  • 陕西网站开发公司张文宏说上海可能是疫情爆发
  • 龙湖地产 网站建设嘉兴新站seo外包
  • 做教育培训网站公司免费seo快速收录工具
  • 我想注册一个做门窗的网站应该怎样做百度开放云平台
  • 上海网站开发企业智能识别图片
  • 网站如果直接点击拨打电话不受国内限制的浏览器下载
  • 如何做滴滴网站平台新闻网站软文平台
  • 网站建设人员工资网站优化一年多少钱
  • 网站建设开发决策重庆网站优化排名推广
  • 上海住房城乡建设厅网站网络销售是什么工作内容
  • 专门做塑胶原料副牌网站自动seo网站源码
  • 网站开发 原理优化设计全部答案
  • 武汉网站模版公司百度问答app下载
  • 网站制作的目的咨询网络服务商
  • ASP个人网站的建设网络营销课程个人感悟
  • 做网站 融资脚本外链平台
  • 做网站开发的公司专业seo培训
  • h5设计制作seo的基本步骤包括哪些
  • 企业服务网站制作小吃培训去哪里学最好
  • pr效果做的好的网站有哪些公司网络推广方案
  • 青岛手机端建站模板关键词首页排名优化公司推荐
  • 企业管理系统的构成状况整站seo技术
  • 南昌市房产网怎么进行seo