开箱即用，涵盖主流模型的图像分类|主干网络学习/对比/魔改项目

前言

项目地址：https://github.com/Fafa-DL/Awesome-Backbones

视频教程：https://www.bilibili.com/video/BV1SY411P7Nd

初衷：

• 帮助大家从简单的LeNet网络到Transformer网络进行复现学习；
• 帮助提高阅读工程代码的能力；
• 帮助进行网络对比/炼丹/发paper

测试环境

• PyTorch 1.7.1
• TorchVision 0.8.2
• 注：所列环境不包括本项目所需的所有库，如果在终端运行提示缺少某个包，所有都可以通过pip或conda解决，很方便。后期也会测试最低支持什么版本，建议大家至少PyTorch与TorchVision和我保持一致

支持模型（点击跳转到训练自己数据集教程页）

• LeNet5
• AlexNet
• VGG
• DenseNet
• ResNet
• ResNeXt
• SEResNet
• SEResNeXt
• RegNet
• MobileNetV2
• MobileNetV3
• ShuffleNetV1
• ShuffleNetV2
• EfficientNet
• RepVGG
• Res2Net
• ConvNeXt
• HRNet
• ConvMixer
• CSPNet
• Swin-Transformer
• Vision-Transformer
• Transformer-in-Transformer
• MLP-Mixer
• DeiT
• Conformer
• T2T-ViT
• Twins
• PoolFormer
• VAN

训练

• 所有模型在该仓库下可以直接通过调用相应配置文件实现
  
• 每个模型文件夹涵盖了不同版本配置文件
  
• 训练自己的数据集，包括数据集准备、标签制作、配置文件修改等，视频教程以及文字教程已在前述提供
  
• 设置三种情况保存权重：最近一次周期、训练损失值最小的周期、验证准确率最高的周期
  
• 同步绘制每周期训练Loss以及验证准确率曲线图
  
• 同步保存每周期训练损失值、验证准确率、Mean Precision、Mean Recall、Mean F1 Score
  

评估

• 训练完毕得到权重文件后可以对模型进行详细评估，视频教程以及文字教程已在前述提供。
• 终端输出每类别的Precision、Recall、F1 Score；输出总平均Top-1 Acc、Top-5 Acc、Mean Precision、Mean Recall、Mean F1 Score；输出混淆矩阵。结果将以metrics_output.csv保存
  
  
• 测试集中每张图像详细预测信息（图片路径、预测类别、真实类别、是否预测成功、各类别置信度得分）保存在prediction_results.csv
  

类别激活图可视化

目前支持的方法有：

Method	What it does
GradCAM	使用平均梯度对 2D 激活进行加权
GradCAM++	类似 GradCAM，但使用了二阶梯度
XGradCAM	类似 GradCAM，但通过归一化的激活对梯度进行了加权
EigenCAM	使用 2D 激活的第一主成分（无法区分类别，但效果似乎不错）
EigenGradCAM	类似 EigenCAM，但支持类别区分，使用了激活 * 梯度的第一主成分，看起来和 GradCAM 差不多，但是更干净
LayerCAM	使用正梯度对激活进行空间加权，对于浅层有更好的效果

• 具体使用方法详见教程