一个专注于干净和脏餐具二分类的网络
特点 • 目录结构 • 安装 • 快速开始 • 支持的模型 • 数据集 • 文档 • 许可证
PlateNet是一个专门用于干净和脏餐具二分类的网络。该框架基于PyTorch构建，提供了完整的工具链用于构建、训练和评估深度学习模型，特别针对干净和脏餐具二分类场景进行了优化。
✨ 模块化设计 - 框架各组件解耦，易于扩展和定制
🚗 车牌识别专用 - 针对车牌识别任务优化的数据处理和模型配置
🔄 注册系统 - 模型、数据集和损失函数的注册和检索系统
📝 配置系统 - 灵活的YAML配置支持，使实验管理更简单
🤖 多种模型支持 - 支持CNN、VGG、DenseNet、GoogleNet、Vision Transformer等多种模型
📊 可视化支持 - 内置TensorBoard支持，提供丰富的可视化功能
📈 监控工具 - 梯度流、特征图、系统资源等深度监控工具
💾 检查点管理 - 自动保存检查点和恢复训练
⏱️ 训练优化 - 支持早停、学习率调度、预热等多种训练策略
🔍 评估工具 - 完整的模型评估系统，支持准确率、精确率、召回率、F1分数等多种指标
PlateNet/
├── configs/ # 配置文件目录
│ ├── datasets/ # 数据集配置
│ │ ├── plate.yaml # 车牌数据集配置
│ │ ├── cat_dog.yaml # 猫狗分类数据集配置
│ │ └── cifar10.yaml # CIFAR10数据集配置
│ ├── models/ # 模型配置
│ │ ├── image_vit.yaml # Vision Transformer配置
│ │ ├── vgg16_cat_dog.yaml # VGG16配置
│ │ ├── googlenet.yaml # GoogleNet配置
│ │ ├── densenet.yaml # DenseNet配置
│ │ └── cnn.yaml # 简单CNN配置
│ ├── training/ # 训练配置
│ │ ├── default.yaml # 默认训练配置
│ │ ├── vit_training_example.yaml # ViT训练示例
│ │ └── ... # 其他训练配置
│ ├── examples/ # 配置示例
│ └── visualization/ # 可视化配置
├── dl_framework/ # 核心框架代码
│ ├── datasets/ # 数据集模块
│ ├── models/ # 模型模块
│ ├── trainers/ # 训练器模块
│ ├── evaluation/ # 评估模块
│ ├── losses/ # 损失函数模块
│ ├── schedulers/ # 学习率调度器模块
│ ├── hooks/ # 钩子系统
│ ├── visualization/ # 可视化模块
│ └── utils/ # 工具函数
├── tools/ # 工具脚本
│ └── train.py # 训练脚本
├── experiments/ # 实验结果目录
├── docs/ # 文档目录
└── README.md # 项目说明
- Python 3.10+
- PyTorch 2.0+
- torchvision
- torchaudio
- pyyaml
- matplotlib
- tensorboard
- psutil
- pynvml
- scikit-learn
- timm
- 克隆仓库：
git clone https://github.com/你的用户名/PlateNet.git
cd PlateNet- 安装uv和同步依赖：
curl -LsSf https://astral.sh/uv/install.sh | sh
uv sync# plate(3) 数据集 accuracy 0.98
python tools/train.py --config configs/training/vgg16.yaml --vis configs/visualization/tensorboard.yaml --name vgg-lr1e5-plate3-warmup
# plate(3) 数据集 accuracy 0.9267
python tools/train.py --config configs/training/densenet.yaml --vis configs/visualization/tensorboard.yaml --name densenet-lr1e5-plate3-warmu
# plate(3) 数据集 accuracy 0.985
python tools/train.py --config configs/training/googlenet.yaml --vis configs/visualization/tensorboard.yaml --name googlenet-lr1e5-plate3-warmup
# plate(3) 数据集 accuracy 0.9494
python tools/train.py --config configs/training/vit_training_example.yaml --vis configs/visualization/tensorboard.yaml --name vit-lr1e5-plate3-warmupPlateNet支持多种深度学习模型：
- VGG16 - 经典的VGG架构，适合图像分类任务
- GoogleNet - Inception架构，平衡准确率和效率
- DenseNet - 密集连接网络，参数效率高
- Vision Transformer (ViT) - 基于注意力机制的Transformer模型，适合大规模图像分类
每个模型都支持预训练权重加载和自定义配置。
要使用不同plate数据集，只需要修改configs/datasets/plate.yaml中的data_name字段为data目录下的文件夹名称。
├── data
│ ├── plate
│ │ ├── clean_dish
│ │ └── dirty_dish
│ ├── plate(3)
│ │ ├── clean_dish
│ │ └── dirty_dishdataset:
type: "plate"
data_name: "plate(3)"
data_dir: "data"
batch_size: 32
num_workers: 4
shuffle: true
train_ratio: 0.8
transforms:
resize: [224, 224]
normalize:
mean: [0.485, 0.456, 0.406]
std: [0.229, 0.224, 0.225]框架支持多种评估指标：
- 准确率 (Accuracy) - Top-1和Top-K准确率
- 精确率 (Precision) - 宏平均和微平均
- 召回率 (Recall) - 宏平均和微平均
- F1分数 (F1Score) - 宏平均和微平均
- 混淆矩阵 (Confusion Matrix) - 分类结果可视化
- 回归指标 - MSE、MAE、RMSE、R²等
详细文档请参考以下链接：
- 使用指南 - 框架基本使用方法
- 自定义模型教程 - 如何创建和注册自定义模型
- 自定义数据集教程 - 如何创建和注册自定义数据集
- 自定义损失函数教程 - 如何创建和注册自定义损失函数
- TensorBoard可视化 - 如何使用TensorBoard进行可视化
- 钩子系统使用指南 - 如何使用钩子系统扩展训练功能
- 学习率调度器使用指南 - 如何使用和自定义学习率调度策略
- 评估工具使用指南 - 如何使用和自定义评估指标
- 团队协作Git使用指南 - 如何使用Git和Github进行标准化开发
欢迎贡献代码和提出建议！请参考贡献指南。
MIT