【源码】基于Jittor框架的少样本图像分类AMU模型

项目简介

本项目基于Jittor框架实现AMU模型，旨在解决少样本学习中的图像分类问题。通过构建并训练结合CLIP模型和辅助特征模型的AMU模型，达成对新类别的快速分类。

项目的主要特性和功能

1. AMU模型构建：融合CLIP模型与辅助特征模型（如MOCO模型），实现图像和文本的联合嵌入，利用不确定性融合技术提升模型性能。
2. 数据预处理：定义图像预处理流程，包含图像大小调整、归一化等操作，确保输入数据符合模型要求。
3. 损失计算：通过计算交叉熵损失优化模型参数，提高模型分类准确率。
4. 模型训练与评估：提供训练和评估模型的方法，涵盖数据加载、模型训练、验证和测试等步骤。
5. 辅助函数和类定义：定义数据加载器、模型构建和特征提取等辅助函数和类，为构建和训练模型提供必要工具。

安装使用步骤

环境配置

1. 利用anaconda创建一个python >= 3.8的基础环境。
2. 下载相关依赖： shell pip install -r requirements.txt
3. 测试环境中的jittor是否安装成功： shell python -m jittor.test.test_core python -m jittor.test.test_example python -m jittor.test.test_cudnn_op

数据集准备

将数据集上传到本项目的根目录中，命名为“Dataset”，文件夹中包含“Train”，“Val”，“Test”，里面存放着每个类别的图片，同一类别的图片用类别名文件夹存放。

模型训练

1. 在default.yaml文件中配置相关参数，或者在命令行运行train.py文件时配置相应参数。
2. 在命令行中激活环境并运行训练脚本： shell conda activate [your_env] python train.py

模型测试

训练完成后，运行test.py文件对模型进行测试，并评估模型的性能： shell python test.py

colab运行方式

1. 将本项目中的jittorB.ipynb上传到colab中。
2. 将项目代码以及数据集上传到谷歌云盘中。
3. 替换jittorB.ipynb中的路径。
4. 运行train.py以及test.py进行训练和测试，之后模型会自动保存到谷歌云盘中。

注意：项目代码基于Jittor框架编写，可能需要特定环境或框架运行。若遇到问题，建议检查Jittor的安装和配置，并按项目要求调整。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】