主要功能为使用Resnet50在ChineseFoodNet上进行训练，搭建分类网络。
这个是一个关于中国传统食物图片的数据集。其中包含了208类食物，数据集图片总量大小约20G，数量约18W，关于数据集的详细描述可以参见ChineseFoodNet。
- 添加了原论文中的数据增强功能。直接输入图片训练无法达到数据集精度，依据论文中的数据增强方法进行训练，（输入前进行随机裁剪和50%水平翻转），有效抑制了模型过拟合趋势。
- 添加了融合cbam 进行模型训练的模块，包括训练代码train_cbam.py，网络实现代码resnet_cbam.py。本次选择在BottleNeck的三层卷积层后依次加入通道注意力和空间注意力模块。（添加cbam模块后可以正常加载预训练权重）
- 在最新的训练代码中，加入了对wandb的适配。
| Model Accuracy | Val Top 1 | Val Top 5 | Test Top 1 | Test Top 5 |
|---|---|---|---|---|
| ResNet50 | 68.14% | 86.51% | 68.39% | 86.61% |
| ResNet50 + DA | 78.88% | 93.06% | 79.23% | 93.49% |
| ResNet50 + DA + CBAM | 79.67% | 93.71% | 80.25% | 93.78% |
- 实现了使用Resnet50训练，并达到测试集与验证集上top1 70%，top5 90%的精度。
- 模型具有保存和读取功能。
- 添加了计算top1和top5 accuracy的函数，可计算train，test，valid等数据集上的准确率
PyTorch实现版本为1.8.1。
1.将数据集下载到ChineseFoodNet文件夹：
数据集下载： https://pan.baidu.com/s/19lPkSGhMwe5QLLXHNOu-Zw?pwd=7rur
2.项目根目录创建model_data文件夹，权重放入model_data文件夹下。
训练权重下载： 链接: https://pan.baidu.com/s/1szYn5OTT01eNCkwr2fWTQA?pwd=w2uj
此权重实现效果：
| Accuracy | Top 1 | Top 5 |
|---|---|---|
| Train | 97.28% | 99.83% |
| Valid | 68.76% | 90.95% |
| Test | 68.93% | 91.09% |
3.cal_top5acc.py ，cal_top1acc.py 可切换验证集，测试集。修改dataset_test即可。
- Chen X, Zhu Y, Zhou H, et al. Chinesefoodnet: A large-scale image dataset for chinese food recognition[J]. arXiv preprint arXiv:1705.02743, 2017.
- He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.
- https://github.com/paradiseDust/ChineseFoodNet-EffiNet-L2
- Woo S, Park J, Lee J, et al. CBAM: Convolutional Block Attention Module[J]. arXiv preprint arXiv:1807.06521, 2018.