Deep-transfer-image-classification

基于深度迁移学习的图像分类系统

本仓库用于 NTU 硕士课程 EE6483 Project 2 的图像分类实验，主要包含猫狗二分类实验与 CIFAR-10 扩展实验的代码、结果文件和最终提交文件。

项目目标

本项目的目标是完成以下几类实验：

1. 猫狗二分类基础实验
   • 从零训练 SimpleCNN
   • 从零训练 ResNet-50
   • 使用 ImageNet 预训练权重的 ResNet-50 微调
2. 消融实验
   • 学习率对比
   • 数据增强对比
   • 模型效果汇总对比
3. 扩展实验
   • CIFAR-10 多分类实验
   • 类别不平衡处理实验
4. 最终提交
   • 生成 submission.csv 作为测试集预测结果

项目结构

• src_code/：训练、预测、模型、数据集、工具函数等代码
• outputs/：整理好的图表和表格，供报告使用
• checkpoints/：训练保存的模型权重
• experiments/：每个实验的日志与结果记录
• submission.csv：最终提交给助教的测试集预测结果
• requirements.txt：项目依赖

数据集约定

请按照实验计划准备数据目录，推荐结构如下：

project/
├── data/
│   ├── train/
│   │   ├── cat/
│   │   └── dog/
│   ├── val/
│   │   ├── cat/
│   │   └── dog/
│   └── test/
│       ├── 1.jpg
│       ├── 2.jpg
│       └── ...

其中：

• train/：训练集，cat 与 dog 各 10000 张
• val/：验证集，cat 与 dog 各 2500 张
• test/：测试集，共 500 张，文件名为 1.jpg 到 500.jpg

环境安装

建议使用 Python 3.10 或以上版本。

pip install -r requirements.txt

如果你使用虚拟环境，建议先创建并激活环境，再安装依赖。

主要脚本说明

1. 训练脚本

用于训练猫狗分类模型，并自动保存最佳权重、训练曲线、混淆矩阵和分类报告。

python src_code/train.py --model resnet50_pretrained --save_path checkpoints/resnet50_pretrained_best.pth --log_dir experiments/exp3_resnet50_pretrained

可选模型：

• simplecnn
• resnet50_scratch
• resnet50_pretrained

2. 预测脚本

用于加载训练好的模型，对测试集进行预测并生成 submission.csv。

python src_code/predict.py --model resnet50_pretrained --model_path checkpoints/resnet50_pretrained_best.pth --save_path submission.csv

3. CIFAR-10 训练脚本

用于 CIFAR-10 多分类实验以及类别不平衡实验。

python src_code/train_cifar10.py --save_path checkpoints/cifar10_best.pth --log_dir experiments/exp6_cifar10

实验输出文件说明

训练与实验结果会整理到 outputs/ 目录，主要包括：

• fig_simplecnn_training_curve.png：SimpleCNN 训练曲线
• fig_resnet50scratch_training_curve.png：ResNet-50 从零训练曲线
• fig_main_training_curve.png：主模型训练曲线
• fig_confusion_matrix.png：验证集混淆矩阵
• fig_correct_samples.png：正确分类样本示例
• fig_wrong_samples.png：错误分类样本示例
• fig_cifar10_training_curve.png：CIFAR-10 训练曲线
• fig_cifar10_confusion_matrix.png：CIFAR-10 混淆矩阵
• table_classification_report.txt：分类报告
• table_simplecnn_result.txt：SimpleCNN 最佳验证准确率
• table_resnet50scratch_result.txt：ResNet-50 从零训练最佳验证准确率
• table_model_comparison.csv：模型对比汇总表
• table_lr_ablation.csv：学习率消融结果
• table_augmentation_ablation.csv：数据增强消融结果
• table_cifar10_per_class_accuracy.csv：CIFAR-10 各类别准确率
• table_cifar10_overall_accuracy.txt：CIFAR-10 总体准确率
• table_imbalance_comparison.csv：类别不平衡实验结果

推荐运行顺序

建议按以下顺序完成实验：

1. 先训练主模型 resnet50_pretrained
2. 使用最佳模型生成 submission.csv
3. 再训练 simplecnn 和 resnet50_scratch 作为对比实验
4. 进行学习率与数据增强消融实验
5. 再运行 CIFAR-10 实验与类别不平衡实验

结果提交说明

最终需要提交的内容通常包括：

• submission.csv
• outputs/ 中的图表与表格
• 相关实验日志与模型权重（如课程要求保留）