基于龙芯平台的图像分类系统

https://github.com/xvhuan/loongSon_CIFAR10

项目结构

│  auto_augment.py   # 数据增强类
│  CIFAR10_socket.py # 模型socket通信类
│  CIFAR10_utils.py  # 模型功能类
│  model.py          # 神经网络定义类
│  nasnet_set.py     # 网络结构搜索类
│  operations.py     # 网络结构操作类
│  run_cli.py        # CLI界面启动程序
│  run_web.py        # WEB界面启动程序
│  utils.py          # 模型训练工具类
│
├─data # CIFAR10数据集
│
├─model
│      top1.pt # 98.40% 准确率模型文件
│
├─runs # TensorBoard文件夹
│  └─Aug3_16-58-49_ius
│          events.out.tfevents.1691053128.autodl-container-5fcb458f92-a9026c48.1372.0
│          events.out.tfevents.1691112012.autodl-container-ea5a488e8d-bf231c11.396.0
│          events.out.tfevents.1691166717.dsw-253083-d84bbcf5f-7c74t.268.0
│          events.out.tfevents.1691634045.dsw-253083-67587b5f78-c7skj.1988.0
│          log.txt #模型训练过程文本记录
│
├─static # 静态资源
│  ├─css
│  │
│  ├─img
│  │
│  ├─js
│  │
│  └─upload # 上传文件存放目录
│
├─templates # 前端模板文件
│
└─__pycache__

基本介绍

本作品的主要创新点和亮点包括：

  1. LoongArch架构的应用：本作品将图像分类任务扩展到了龙芯服务器上，充分利用了龙芯3C5000 CPU的计算能力，拓展了自主CPU在人工智能领域的应用场景。
  2. 基于LaNet的图像分类：为了实现高效准确的图像分类，我们使用了开源的LaNet模型，并使用了NAS进行最佳模型的构建，引入了CutMix和AutoAugment对训练集进行预处理，同时使用EMA对模型参数进行指数滑动平均，最终取得了98.40%的准确率。
  3. 多种用户界面的选择：我们为用户开发了两种UI界面，分别是CLI界面、WEB界面，CLI界面简洁，系统占用率低。WEB界面精美，使用简易。
  4. 可视化面板的应用：我们在模型的训练过程中，使用了TensorBoard面板进行了模型准确率和Loss值的记录，具有重要的参考意义。

一、在本地平台上进行模型准确率的验证，可以达到98.40%的准确率

image-20230813210751227
image-20230813210751227

三、为了增强用户的体验感，该系统具有两种可选的可视化界面

CLI界面：界面简洁、系统占用率低

image-20230813214948708
image-20230813214948708

image-20230706230348852
image-20230706230348852

WEB界面采用websocket技术，可以将模型训练、评估、预测的数据实时的反馈到前端，还可以在局域网的多端观察模型训练情况，实现前端后端的实时通信。

训练过程

使用Tensorboard进行准确率、loss数据记录

使用方法

1.安装环境依赖

pip install -r requirements.txt
cd ./cutmix-master
python setup.py install

2.运行启动程序

CLI界面
python run_cli.py
WEB界面
推荐使用1600*900及以上的分辨率，以便取得更好的体验
python run_web.py