Computer Vision을 위한 딥러닝 모델 구현 with Pytorch

명령어 한 줄로 간편하게 딥러닝 모델을 학습하세요
손쉽게 다양한 모델들을 학습해볼 수 있습니다

모델의 미세 조정을 원하시면 하이퍼 파라미터 튜닝 단계로 이동하세요

- 요구 조건 (Requirements) -

Python>=3.6.0 and PyTorch>=1.7

설치 (Install)

git clone https://github.com/aqntks/cv-models

cd cv-models     

pip install -r requirements.txt

모델 학습 (Model Train)

python main.py --mode classification --model resnet --optim adam --data CIFAR_10 --batch 32 --epoch 10

• args

--mode : < classification, detection, segmentation >　　　　　# 모델 유형
--model : < resnet, mobilenetv3s, vgg-13, mnasnet-0.5 etc >    # 학습 모델
--optim : < adam, SGD, AdaGrad, RMSprop etc > 　　  　　　 # 옵티마이저
--data   : < CIFAR_10, SVHN, Places365, STL10 etc >　　　　　# 학습 데이터
--batch 　　　　　　　　　　　　　　　　　　　　　　 　　# 배치 사이즈
--epoch 　　　　　　　　　　　　　　　　　　　　　　　　# 세대 수
--img 　　　　　　　　　　　　　　　　　　　　　　　　　# 이미지 사이즈 (지정 안하면 기본 데이터 사이즈)

모델 (MODELS)

* 분류 모델 (Classification) *

MODEL	arg	paper	지원
MLP (Multi Layer Perceptron)	mlp	-	(O)
CNN (Convolutional Neural Network)	cnn	[paper]	(O)
AlexNet	alexnet (이미지 사이즈 >= 256)	[arxiv]	(O)
GoogleNet	-	[arxiv]	(준비중)
VGG	vgg-11, vgg-11_bn, vgg-13, vgg-13_bn, vgg-16, vgg-16_bn, vgg-19, vgg-19_bn	[arxiv]	(O)
Inception	-	[arxiv]	(준비중)
ResNet (Residual Neural Network)	resnet	[arxiv]	(O)
SqueezeNet	squeezenet1_0, squeezenet1_1	[arxiv]	(O)
MobileNetV2	mobilenetv2	[arxiv]	(O)
DenseNet	densenet-121, densenet-161, densenet-169, densenet-201	[arxiv]	(O)
ShuffleNetV2	shufflenetv2-x0.5, shufflenetv2-x1.0, shufflenetv2-x1.5, shufflenetv2-x2.0	[arxiv]	(O)
MnasNet	mnasnet-0.5, mnasnet-0.75, mnasnet-1.0, mnasnet-1.3	[arxiv]	(O)
MobileNetV3	mobilenetv3s, mobilenetv3l	[arxiv]	(O)
VIT	vit (이미지 사이즈 = 224)	[paper]	(O)

* 탐지 모델 (Detection) *

MODEL	arg	paper	지원
Faster R-CNN	-	-	(준비중)
Mask R-CNN	-	-	(준비중)
SSD	[github]	-	(준비중)
yolov4	[arxiv]	-	(준비중)
yolov5	[github]	-	(준비중)

예측 결과 (Prediction results)

data/label.txt에 학습한 모델의 클래스 명을 정의하세요

##### data/label.txt #####

airplane
automobile
bird
cat
deer
dog
frog
horse
ship
truck

검출

python predict.py --model resnet --weight result/model.pt --img data/test.jpg

전이 학습 (Transfer Learning)

사전 학습된 모델이 있다면 --weights 인수에 사전 학습 모델을 추가해 주세요
학습을 위해 선택한 모델과 같은 구조로 학습한 모델이어야 합니다.

python main.py --weights pretrained_model.pth --densenet-121 --mode classification

하이퍼 파라미터 튜닝 (model tuning)

python export.py

export.py를 통해 학습 할 모델의 하이퍼 파라미터 튜닝을 진행하세요

parser = argparse.ArgumentParser()
parser.add_argument('--mode', type=str, default='classification')
parser.add_argument('--model', type=str, default='densenet-169')
parser.add_argument('--optim', type=str, default='adam')
parser.add_argument('--data', type=str, default='CIFAR_10')
parser.add_argument('--batch', type=int, default=32, help='batch size. 2의 배수를 추천합니다.')
parser.add_argument('--epoch', type=int, default=10, help='학습 세대 수')
parser.add_argument('--weights', type=str, default='', help='전이학습을 이용하려면 학습을 원하는 모델 구조로 사전 학습된 모델을 넣어주세요')
parser.add_argument('--img', type=int, default=-1, help='이미지 사이즈입니다. -1을 지정할 경우 기본 이미지 사이즈로 데이터를 다운받습니다.')
parser.add_argument('--lr', type=float, default='0.001', help='learning rate 학습률 수치입니다')
parser.add_argument('--momentum', type=float, default='0.937', help='SGD optimizer를 사용하는 경우 모멘텀 값을 설정하세요')
parser.add_argument('--dropout', type=float, default='0.2', help='MNASNet, DenseNet 지원. 레이어의 dropout 비율을 적용하세요')
parser.add_argument('--memoryEF', type=bool, default=False, help='DenseNet 지원. True를 설정하면 효율적인 메모리 학습이 가능합니다. 속도는 느려집니다')
parser.add_argument('--light_weight', type=bool, default=False, help='True로 설정하면 학습을 마친 후 모델 경량화 작업을 진행합니다')