Pytorch 深度学习实战教程（五）：今天，你垃圾分类了吗？

Python与机器学习 徐 自远 674℃

Pytorch 深度学习实战教程（五）：今天，你垃圾分类了吗？

点击上方“Jack Cui”，选择“加为星标”
第一时间关注技术干货！

1

垃圾分类
还记得去年，上海如火如荼进行的垃圾分类政策吗？
2020年5月1日起，北京也开始实行「垃圾分类」了！
北京的垃圾分类标准与上海略有差别，垃圾分为厨余垃圾、可回收物、有害垃圾和其他垃圾四大类，分别对应四种不同颜色的垃圾桶，即绿色、蓝色、红色和灰色。

继上海之后，北京也迈入了“垃圾强制分类时代”。

垃圾分类，最变态的地方还是日本。
日本把垃圾分为资源、可燃、不可燃、危险、塑料、金属和粗大，这 7 大类垃圾。
并规定了回收站每天允许回收的垃圾种类，比如如周一收资源的，周二收塑料的。居民要在指定时间、指定地点丢垃圾。像桌子衣柜这些大件垃圾还要交钱才能扔。
敢乱扔垃圾的垃圾最多还可能吃 5 年牢饭并罚上 1000 万日元！
不过，有 24 小时在线发牌打理家务的家庭主妇，人家可以每天花上半小时去搞垃圾分类，然后照样有时间去刷刷抖音，打打农药，看看小电影啥的。
现在，中国一线城市的“社畜”们，干着 996 的活，又要操起“日本主妇的心”。
一家一个码农就够惨了，一家双码农那就是「惨上加惨」，下班一个比一个晚。
上海实行「垃圾分类」已经快一年了，不知近况如何？
疫情前，曾去上海玩过一次，一个很明显的感受是垃圾分类确实是井然有序地进行着，租住的民宿摆放了 4 个垃圾桶，吃剩的垃圾都需要动动脑子才知道怎么丢。
不过，也在小区附近看到，分类垃圾桶旁，随意堆放的未分类的垃圾。

北京通知开始实施「垃圾分类」快一个月了，我所居住的小区在市中心，小区内还没有见到分类垃圾箱，倒是公告张贴了很多，应该还处于宣传阶段。
不过公司里，倒是开始垃圾分类了，看来是从企业开始行动，然后再到个人。
随着政策的完善，支持力度的加大，不知若干年后，是否会出现一家提供垃圾分类服务的家政公司？

2

垃圾分类助手
吐槽归吐槽，人们总归要随着时代的发展而顺势前行。
好在，一些 APP 或者小程序已经为我们准备好了查询工具。
查询方式无非三种形式：文字、语音、图片。
好多家，都有类似的产品。
你可以查询 「996加班掉落的头发是什么垃圾」，也可以查询「夜宵必备的小龙虾是什么垃圾」。
比如，腾讯有个微信小程序，叫「垃圾分类精灵」；

百度 APP 相机识别入口有个 tag ，叫「识垃圾」。

支付宝有个小程序，叫「垃圾分类指南」。

都支持文字、语音、图片的垃圾分类识别。
上海刚实行垃圾分类的时候，淘宝的「拍立淘」也有垃圾分类识别入口，不过现在貌似已经下线了。
垃圾分类哪家强，体验一下就知道了。

3

垃圾分类技术
垃圾识别背后的技术是什么呢？
文字和语音的都相对简单，文本匹配即可，语音多了一个音频转文本的步骤。
基于图片的垃圾识别就要难不少。
比如，卫生纸你可以弄成各种形状，团成一团，或者撕成一条一条。
甚至，可以把蛋糕恶趣味地做成「便便」的样子。
让算法通过图片去识别这些东西，显然有些难为算法。
目前，使用深度学习分类算法去识别垃圾种类，还是比较难做好的。
一般都是采用多级分类模型或检索，搭建的超大分类网络，比如 1 万多类物体识别，甚至 10 万。
然后根据类别标签做映射，映射到最终的垃圾类别。

底层技术实现，其实还是多分类。
垃圾分类不同于通用的图像识别，通用图像识别的「鱼」，可能是一条在水中自由自在嬉戏的金鱼。
而垃圾分类识别的「鱼」，则很可能是一个躺在餐盘里仅剩躯干骨的鱼骨头。
弄个合适的数据集，也是一门技术活。
数据集获取一般可以通过以下 3 个渠道：
  • 写爬虫，爬各大网站的图片数据，然后使用自己的接口清洗或者人工标注；
  • 将需求提交给数据标注团队，花经费标注数据。
前两个是要么得有技术、要么得有钱。
  • 最后一个方法，就得碰运气了。翻论文，找公开数据集，或者去 AI 比赛网站或者 AI 开放平台碰碰运气。
比赛，比如可以去 Kaggle 搜一搜数据集。
URL：
https://www.kaggle.com/

AI 开放平台，可以去 AI Studio看看。
URL：
https://aistudio.baidu.com/aistudio/datasetoverview

在 AI Studio 我搜索到了不错的垃圾分类数据集。
一共 56528 张图片，214 类，总共 7.13 GB。
URL：
https://aistudio.baidu.com/aistudio/datasetdetail/30982
瞧，运气不错，找到了一个不错的数据集。
下载速度也很给力，10 MB/s。
本文使用这个数据集，训练一个简单的垃圾分类模型。

4

数据处理
垃圾数据都放在了名字为「垃圾图片库」的文件夹里。

首先，我们需要写个脚本根据文件夹名，生成对应的标签文件（dir_label.txt）。

前面是小分类标签，后面是大分类标签。
然后再将数据集分为训练集（train.txt）、验证集（val.txt）、测试集（test.txt）。
训练集和验证集用于训练模型，测试集用于验收最终模型效果。
此外，在使用图片训练之前还需要检查下图片质量，使用 PIL 的 Image 读取，捕获 Error 和 Warning 异常，对有问题的图片直接删除即可。
写个脚本生成三个 txt 文件，训练集 48045 张，验证集 5652 张，测试集 2826 张。
脚本很简单，代码就不贴了，直接提供处理好的文件。
处理好的四个 txt 文件可以直接下载。
下载地址：
https://github.com/Jack-Cherish/Deep-Learning/tree/master/Pytorch-Seg/lesson-4
将四个 txt 文件放到和「垃圾图片库」的相同目录下即可。
有了前几篇教程的基础，写个数据读取的代码应该很轻松吧。
编写 dataset.py 读取数据，看一下效果。

读取 train.txt 文件，加载数据。数据预处理，是将图片等比例填充到尺寸为 280 * 280 的纯黑色图片上，然后再 resize 到 224 * 224 的尺寸。
这是图片分类里，很常规的一种预处理方法。
此外，针对训练集，使用 pytorch 的 transforms 添加了水平翻转和垂直翻转的随机操作，这也是很常见的一种数据增强方法。
运行结果：

OK，搞定！开始写训练代码！

5

垃圾分类初体验
我们使用一个常规的网络 ResNet50 ，这是一个非常常见的提取特征的网络结构。
整个训练过程也很简单，训练步骤不清楚的，可以看我上两篇教程：

创建 train.py 文件，编写如下代码：


代码并不复杂，网络结构直接使 torchvision 的 ResNet50 模型，并且采用 ResNet50 的预训练模型。算法采用交叉熵损失函数，优化器选择 Adam，并采用 StepLR 进行学习率衰减。

保存模型的策略是选择在验证集准确率最高的模型。

batch size 设为 64，GPU 显存大约占 8G，显存不够的，可以调整 batch size 大小。

模型训练完成，就可以写测试代码了，看下效果吧！

创建 infer.py 文件，编写如下代码：


这里需要注意的是，DataLoader 读取的数据需要进行通道转换，才能显示。
预测结果：

怎么样？还算简单吧？
赶快训练一个自己「垃圾分类器」体验一下吧！

6

总结
  • 本文从实战出发，讲解了怎么训练一个自己的「垃圾分类器」。
  • baseline 已经提供，提升精度，就是一些细节上的优化了。
Jack Cui推荐搜索

 

::__IHACKLOG_REMOTE_IMAGE_AUTODOWN_BLOCK__::18

Jack Cui

点赞加在看，文章更好看

::__IHACKLOG_REMOTE_IMAGE_AUTODOWN_BLOCK__::19 微信扫一扫赞赏作者 赞赏

长按二维码向我转账

点赞加在看，文章更好看

::__IHACKLOG_REMOTE_IMAGE_AUTODOWN_BLOCK__::20

受苹果公司新规定影响，微信 iOS 版的赞赏功能被关闭，可通过二维码转账支持公众号。

 

预览时标签不可点

    看一看入口已关闭

    在“设置”-“通用”-“发现页管理”打开“看一看”入口

     

     

    转载请注明：徐自远的乱七八糟小站 » Pytorch 深度学习实战教程（五）：今天，你垃圾分类了吗？

    喜欢 (2)

    苏ICP备18041234号-1 bei_an 苏公网安备 32021402001397号