1、概述

垃圾分类是一项“利国利民”的民生工程，需要全社会的共同参与，随着垃圾分类工作的不断推进，垃圾分类意识越来越深入人心，垃圾分类也越分越细。由于世界上人口众多，从目前情况来看，垃圾分类主要靠人力完成，耗时耗力。而利用AI技术进行垃圾分类，可实现垃圾快速分拣，减少人类劳力的优势。智能化分拣可用在居民投递的垃圾箱终端设备上，利用训练垃圾的检测模型，识别厨余垃圾里是否有其他垃圾，如塑料袋、纸张等。

本次测试项目是图像分类下任务子类，使用efficientnet-b4骨干网络进行垃圾分类。数据集为华为云AI Gallery上提供的数据集。详情可参见本案例的关联资产。

1.1、项目流程

【数据】 —> 【搭建预处理pipeline】 -> 【搭建backbone结构】 -> 【搭建neck/head结构】 -> 【训练】 -> 【测试】 -> 【离线推理】 -> 【在线推理】

2、   操作流程

2.1、准备环境

运行时依赖环境

• moxing>=2.0
• torch>=1.4
• mmcv-full>=1.2.5,<1.3.0 (如果环境中没有mmcv-full，安装可能会消耗10几分钟）
• tensorboard
• 将环境中的pycocotools替换成mmpycocotools

!pip uninstall -y pycocotools

!pip uninstall -y moxing

!pip install "mmcv-full>=1.2.5,<1.3.0" -I

!wget https://modelarts-cnnorth4-market.obs.cn-north-4.myhuaweicloud.com/moxing-apps/notebooks/release/210705/1_1_ImageClassification_Primary/requirements.txt -O requirements.txt

!pip install -r requirements.txt

2.2、准备数据

2.2.1、下载数据集

将8类垃圾数据下载到/tmp/dataset_garbages8下，并解压缩

!mkdir -p /tmp/dataset_garbages8

!wget --no-check-certificate https://modelarts-cnnorth4-market.obs.cn-north-4.myhuaweicloud.com/dataset-apps/image_classification/8-garbages/8-garbage.zip -O 8-garbage.zip

!unzip -o 8-garbage.zip -d /tmp/dataset_garbages8

2.2.2、 观察数据集

通过此步操作可看到需筛选的所有垃圾图片，本次操作主要针对所显示的图片进行垃圾分类。

2.2.3、切分数据集

将数据集按照9:1切分为训练集和验证集，并分别保存至/tmp/dataset_garbages8/train//tmp/dataset_garbages8/eval/下。

2.2.4、准备预训练模型

下载预训练模型，执行以下命令

!mkdir -p /tmp/pretrained_model/efficientnet/

!wget --no-check-certificate https://modelarts-cnnorth1-market-dataset.obs.cn-north-1.myhuaweicloud.com/moxing_pretrained/efficientnet-b4/adv-efficientnet-b4-44fb3a87.pth -O /tmp/pretrained_model/efficientnet/efficientnet-b4.pth

2.2.5、 训练

数据集和预训练模型已经准备完毕，开始编写训练脚本，首先引入必要的包。

初始化参数

• lr_config表示学习率为阶段函数，初始学习率为002，并且在第15/25/30个epoch下降到原来的十分之一
• launcher填入none，gpu_ids填入[0]，表示单机单卡训练
• load_from用于加载预训练模型

work_dir为模型保存路径

2.2.6、 创建数据预处理和增强方法

2.2.7、 创建算法

使用mox.api的方式构建efficientnet_b4，并开始训练。

2.2.8、测试

使用刚才训练好的模型，在测试集上做一次精度测试。首先初始化配置

2.2.9、 离线推理

使用刚才训练好的模型，在验证集上尝试做一次推理，首先初始化配置。 这里演示如何推理一张图片，如果想要推理多个图片，可以将img_path修改为一个路径，那么就会推理这个路径下的所有图片了。

2.2.10、在线推理

使用TorchServing进行下一步操作。

启动服务

• 配置jdk环境变量
• 配置nvidia环境变量，与终端环境变量不一致

2.2.11、预测结果，并关闭服务

3、结束语

大家可根据如下链接进行实验操作。https://developer.huaweicloud.com/develop/aigallery/home.html