神经网络-分类（识别骨折图像）

一、环境介绍

• 系统：win10
• 语言：python3.7
• 框架：pytorch

二、功能说明

现有骨折数据集，分为骨折和正常两类。需要训练神经网络使其识别这两类图片（二分类），两种类型的数据分别如下：

第一张为骨折图像，第二张为正常图片，图片的大小为112*112。

对，功能就是这么简单。

三、实现步骤

3.1 找车轮

自己造轮子是不可能的，这辈子都不会的！！

在github上面找一个基于pytorch的图像分类网络，里面包含现在比较主流的分类网络。

pytorch_image_classification

这里面有以下几种网络可供选择：

功能全面，就用这个轮子。

3.2 分析车轮

经过一番debug跟踪之后，发现了轮子一些不足的地方：

• 配置比较分散：数据集、网络和数据增强不是在同一个地方配置的。
• 没有自定义数据集，换句话说，不能训练自己的数据。（这里需要改）

3.3 改造轮子

3.3.1 配置分散

分散就分散吧，能用就好，不改。

3.3.2 添加自定义数据集

在train.py文件中，添加CUSTOM类型。

parser.add_argument(
        '--dataset',
        type=str,
        default='CUSTOM',
        choices=['CIFAR10', 'CIFAR100', 'MNIST', 'FashionMNIST', 'KMNIST', 'CUSTOM'])

在argparser.py中的_cleanup_args函数的最下面添加：

elif args.dataset == 'CUSTOM':
    args.input_shape = (1, 3, 112, 112)   # 图片尺寸，根据实际图片尺寸来
    args.n_classes = 2                    # 图片类型

在dataloader.py中，emmm，这里面动的比较多，直接全贴进来吧

dataloader

3.4 启动车子

把数据放到data文件夹下面，train表示训练集，val表示验证集。bad和good是两个分类（不同类用不同的文件夹装起来就好）

再修改一下config文件里面的学习率和bachsize就好！！

启动训练：

python train.py --arch resnet_preact --depth 56 --outdir results

四、结果

二分类还是比较简单，10个epoch就可以达到99.9%的正确率。使用的数据集有1000多张bad图片，200多张good图片。

修改后的完整代码，且带有数据集