(
课件网) 第2单元 机器能识别 第3节 用深度学习实现图像分类 八年级 下册 主要内容 知识探究 /01 /02 习题测试 /03 小节回顾 /04 作业布置 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 项目子任务 学习图像分类任务的数据集制作，来为“昆虫的识别”作知识储备。 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 探究内容与要求 （1）方法引导：遵循“概念→结构→原理→......”认知规律 （2）主要内容： ①如何制作图像数据集？———ImageNet格式 ②如何对图像分类模型进行训练？———MMEdu图像训练 ③如何应用图像分类模型？———XEduHub推理ONNX模型 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 知识习得 （1）自主阅读：以书本P55-57为主，网络知识作补充 （2）知识梳理： ①丰富的数据集意味着图片要考虑光照、拍摄角度、背景等条件的变化，采集多样化的图片。应用场景为校园农场时，就不能用在教室的图片，而是应该在校园农场采集图片。 ②ImageNet数据集包括训练集、验证集和测试集。 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 知识习得 （1）自主阅读：以书本P57-60为主，网络知识作补充 （2）知识梳理： ①不同的SOTA模型适合解决不同的问题，MobileNet适合在移动终端上部署。 ②训练后出现的accuracy_top-1表示模型在验证集上验证得到的准确率。 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 知识习得 （1）自主阅读：以书本P60-64为主，网络知识作补充 （2）知识梳理： ①在MMEdu中使用convert函数可以实现将pth格式模型转换为ONNX格式模型。 ②Gradio可以用于设计和部署机器学习模型的交互式界面。 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 核心素养培育 （1）学会分析：以“昆虫的识别”为例，如何选择合适的昆虫种类，如何采集图像，如何选择模型，如何搭建人工智能应用？ 辅助分析支架：要实现“昆虫的识别”，需要了解数据集格式、模型的优劣、模型转换、模型推理和人工智能应用搭建。 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 核心素养培育 （2）学会解释：如何用python代码实现MMEdu图像分类模型训练？ 辅助分析支架： ① 编写基本训练代码： from MMEdu import MMClassification as cls model = cls(backbone=‘LeNet’) model.num_classes = 3 model.load_dataset(path=‘./dataset/insect’) model.save_fold = ‘./my_model’ model.train(epochs=10,validate=True) 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 核心素养培育 （2）学会解释：如何用python代码实现MMEdu图像分类模型训练？ 辅助分析支架： ② 基于训练过的模型，继续训练的参考代码： from MMEdu import MMClassification as cls model = cls(backbone=‘LeNet’) model.num_classes = 3 model.load_dataset(path=‘./dataset/insect’) model.save_fold = ‘./my_model’ checkpoint = ‘./latest.pth’ # 要求模型使用同一种SOTA模型 model.train(epochs=10,validate=True,checkpoint=checkpoint) 01 准备过程 02 整体结构 03 重点说明 04 名词解释 知识探究 核心素养培育 （2）学会解释：如何用python代码实现MMEdu图像分类模型训练？ 辅助分析支架： ③ 模型转换为ONNX格式。代码如下： from MMEdu import MMClassification as cls model = cls(backbone=‘LeNet’) checkpoint = ‘./my_model/latest.pth’) out_file =‘./my_model/best.onnx’ model.convert(checkpoint=checkpoint,out_file=out_file) 01 准备过程 02 整体结构 03 ... ...
