pytorch图片分类训练框架

代码兼容性较强，使用的是一些基本的库、基础的函数
在argparse中可以选择使用wandb，能在wandb网站中生成可视化的训练过程

1，环境

torch：https://pytorch.org/get-started/previous-versions/

pip install timm tqdm wandb opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

2，数据格式

├── 数据集路径：data_path
    └── image：存放所有图片
    └── train.txt：训练图片的绝对路径(或相对data_path下路径)和类别号，
        (如-->image/mask/0.jpg 0 2<--表示该图片类别为0和2，空类别图片无类别号)
    └── val.txt：验证图片的绝对路径(或相对data_path下路径)和类别号
    └── class.txt：所有的类别名称

3，run.py

模型训练时运行该文件，argparse中有对每个参数的说明

4，predict_pt.py

使用训练好的pt模型预测

5，export_onnx.py

将pt模型导出为onnx模型

6，predict_onnx.py

使用导出的onnx模型预测

7，export_trt_record

文档中有onnx模型导出为tensort模型的详细说明

8，predict_trt.py

使用导出的trt模型预测

9，gradio_start.py

用gradio将程序包装成一个可视化的页面，可以在网页可视化的展示

10，flask_start.py

用flask将程序包装成一个服务，并在服务器上启动

11，flask_request.py

以post请求传输数据调用服务

12，gunicorn_config.py

用gunicorn多进程启动flask服务：gunicorn -c gunicorn_config.py flask_start:app

其他

学习笔记：https://github.com/TWK2022/notebook