# image-classification

**Repository Path**: huihui308/image-classification

## Basic Information

- **Project Name**: image-classification
- **Description**: image-classification
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: david
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-19
- **Last Updated**: 2025-12-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README




convnext-v2-pytorch  --> https://github.com/Jacky-Android/convnext-v2-pytorch

resnet-pytorch  -->  https://github.com/akamaster/pytorch_resnet_cifar10

ResNet  -->  https://github.com/FrancescoSaverioZuppichini/ResNet/tree/master



```shell
pip install torchinfo easydict

```


convnext-v2-pytorch:
```shell
CUDA_VISIBLE_DEVICES=1 python train.py --num_classes=16

CUDA_VISIBLE_DEVICES=1 python train.py --num_classes=24 --data-path=/home/david/docker/share/dataset/classification/tricycle_train_data_optimize/train



CUDA_VISIBLE_DEVICES=0 python train.py --num_classes=5 \
   --data-path=/home/david/docker/share/dataset/classification/fengkou/dataset \
   --augment randaug  --randaug-num-ops 4 \
   --randaug-magnitude 10 --randaug-bins 31 \
   --cutmix-alpha 1.0 --mixup-alpha 0.8
   5 # OR use both:
   6 --cutmix-alpha 0.5
   7 --mixup-alpha 0.5



CUDA_VISIBLE_DEVICES=0 python train.py \
   --num_classes 5 --epochs 50 --batch-size 8 --lr 1e-4 --wd 5e-2 \
   --data-path /home/david/docker/share/dataset/classification/fengkou/dataset \
   --augment randaug --randaug-num-ops 3 \
   --randaug-magnitude 9 --cutmix-alpha 1.0 --mixup-alpha 0.8 \
   --drop-path-rate 0.3


CUDA_VISIBLE_DEVICES=0 python train.py \
   --num_classes 5 --epochs 50 --batch-size 8 --lr 1e-4 --wd 1e-2 \
   --data-path /home/david/docker/share/dataset/classification/fengkou/dataset \
   --augment randaug --randaug-num-ops 3 \
   --randaug-magnitude 8 --cutmix-alpha 0.8 --mixup-alpha 0.8 \
   --drop-path-rate 0.15 \
   --random-erase-prob 0.4 --noise-factor 0.15 --noise-prob 0.6 \
   --randaug-magnitude 8


CUDA_VISIBLE_DEVICES=0 python train.py \
   --num_classes 5 --epochs 50 --batch-size 8 --lr 1e-4 --wd 2e-2 \
   --data-path /home/david/docker/share/dataset/classification/fengkou/dataset \
   --augment randaug --randaug-num-ops 4 \
   --randaug-magnitude 9 --cutmix-alpha 1.0 --mixup-alpha 1.0 \
   --drop-path-rate 0.2 \
   --random-erase-prob 0.5 --noise-factor 0.2 --noise-prob 0.7



CUDA_VISIBLE_DEVICES=0 python train_atto.py \
   --num_classes 3 --epochs 100 --batch-size 64 --lr 5e-5 --wd 5e-2 \
   --data-path /home/david/docker/share/dataset/classification/fengkou/dataset \
   --augment randaug --randaug-num-ops 4 \
   --randaug-magnitude 9 --cutmix-alpha 1.0 --mixup-alpha 1.0 \
   --random-erase-prob 0.5 --noise-factor 0.2 --noise-prob 0.7
```







✦ 根据我对您代码的分析，您已经使用了ConvNeXt v2 atto模型，并添加了多种先进的数据增强技术。以下是具体的模型优化策略：

   1. 当前您已经使用的技术：
      - RandAugment（num_ops=4, magnitude=9）
      - MixUp（alpha=1.0）
      - CutMix（alpha=1.0）
      - Random Erasing（prob=0.5）
      - Random Noise（factor=0.2, prob=0.7）
      - AdamW优化器（lr=5e-5, wd=5e-2）















resnet-pytorch:
```shell
CUDA_VISIBLE_DEVICES=1 python trainer.py \
   --data /home/david/docker/share/dataset/classification/tricycle_train_data_optimize \
   --arch resnet20 --num-classes 22 --epochs 50 --batch-size 128 \
   --save-dir tricycle_model/resnet20


CUDA_VISIBLE_DEVICES=1 python trainer.py \
   --data /home/david/docker/share/dataset/classification/New_Plant_Diseases_Dataset/new_plant_diseases_dataset_augmented \
   --arch resnet20 --num-classes 41 --epochs 200 --batch-size 128 \
   --save-dir models/plant_disease_model/resnet20
```





  模型参数量对比：
   - Atto (最小): 3,389,005 参数
   - Femto: 4,850,165 参数
   - Pico: 8,555,845 参数
   - Nano: 14,986,005 参数
   - Tiny: 27,870,341 参数
   - Base (当前使用): 87,697,925 参数
   - Large: 196,427,525 参数
   - Huge (最大): 657,486,725 参数




✦ 要训练一个ResNet20网络，根据我们刚刚对trainer.py的修改，你可以使用以下命令：

   1 python trainer.py --data /path/to/your/dataset --arch resnet20 --num-classes 10 --epochs 200 --batch-size 128 --save-dir resnet20_model

  如果你要训练自定义数据集，请将 /path/to/your/dataset 替换为你的数据集路径，并将 --num-classes 的值改为你的数据集类别数。

  例如，如果你的数据集有5个类别，路径在 ./my_dataset，命令将是：

   1 python trainer.py --data ./my_dataset --arch resnet20 --num-classes 5 --epochs 200 --batch-size 128 --save-dir resnet20_model

  如果你只想用原始的CIFAR-10数据集训练（不提供--data参数）：

   1 python trainer.py --arch resnet20 --epochs 200 --batch-size 128 --save-dir resnet20_cifar10

  参数说明：
   - --arch resnet20: 指定使用resnet20架构
   - --num-classes: 类别数量（CIFAR-10是10，自定义数据集请设置为实际类别数）
   - --epochs: 训练轮数
   - --batch-size: 批次大小
   - --save-dir: 模型保存目录
   - --data: 自定义数据集路径（可选，如果不提供则使用CIFAR-10）