基于深度学习的行人检测代码
时间: 2023-09-13 11:12:32 浏览: 82
行人检测的代码可以使用多种深度学习框架实现,比如TensorFlow、PyTorch等。以下是一个基于PyTorch实现的行人检测代码示例:
```python
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
from torchvision import datasets, models, transforms
# 定义数据预处理
data_transforms = {
'train': transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
]),
'val': transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
]),
}
# 加载数据集
data_dir = 'path/to/data'
image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x]) for x in ['train', 'val']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=4, shuffle=True, num_workers=4) for x in ['train', 'val']}
# 加载预训练模型
model_ft = models.resnet18(pretrained=True)
num_ftrs = model_ft.fc.in_features
model_ft.fc = nn.Linear(num_ftrs, 2)
model_ft = model_ft.to(device)
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer_ft = optim.SGD(model_ft.parameters(), lr=0.001, momentum=0.9)
# 训练模型
model_ft.train()
for epoch in range(num_epochs):
for inputs, labels in dataloaders['train']:
inputs = inputs.to(device)
labels = labels.to(device)
optimizer_ft.zero_grad()
outputs = model_ft(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer_ft.step()
```
这段代码使用ResNet-18模型进行行人检测,通过在ImageNet上进行预训练,然后微调模型来适应特定的行人检测任务。具体而言,代码中使用了PyTorch提供的数据预处理、数据加载、模型定义、损失函数和优化器等功能,以及使用GPU进行运算的能力。
阅读全文