ResNet50-

ResNet50论文复现，模型还有待进一步学习，欢迎大家喂更多的数据来进一步训练

ResNet-50 实现与训练

本项目实现了经典的 ResNet-50 模型，并在 CIFAR-10 数据集上进行了训练和测试。代码支持 GPU 加速训练，并提供了模型保存和加载功能，方便后续使用。

环境要求

• Python 3.8+
• PyTorch 1.10+
• torchvision
• PIL (Pillow)
• matplotlib (可选，用于可视化)

安装依赖

---

数据集

本项目使用 CIFAR-10 数据集，包含 10 个类别的 60,000 张 32x32 彩色图片。

• 训练集：50,000 张图片
• 测试集：10,000 张图片

数据集会自动下载并保存在 data/cifar10 目录下。

---

使用方法

1. 训练模型

运行以下命令开始训练 ResNet-50 模型：

python Res50.py

• 训练过程中会保存最佳模型到 models/best_model.pth。
• 训练日志会实时打印，包括每个 epoch 的损失和准确率。

2. 测试模型

运行以下命令测试模型在测试集上的性能：

python Res50.py

• 测试结果会打印测试集的损失和准确率。

3. 使用模型进行图片分类

运行以下命令对单张图片进行分类：

python ModelTest.py --image_path test_image.jpg

• 将 test_image.jpg 替换为你要分类的图片路径。
• 脚本会输出预测的类别名称。

---

模型性能

在 CIFAR-10 数据集上，ResNet-50 模型的性能如下：

• 训练集准确率：85%
• 测试集准确率：75%

---

代码说明

Res50.py

• 定义了 ResNet-50 模型结构。
• 包含数据加载、模型训练和测试的逻辑。
• 支持 GPU 加速训练。
• 训练过程中会保存最佳模型。

ModelTest.py

• 加载训练好的模型权重。
• 对输入的图片进行预处理和分类。
• 输出预测的类别名称。

---

自定义数据集

如果你想在其他数据集上训练模型，可以按照以下步骤操作：

1. 将数据集放置在 data/ 目录下。
2. 修改 Res50.py 中的数据加载部分，适配你的数据集格式。
3. 调整模型的输出类别数（num_classes）。

---

贡献

欢迎提交 Issue 或 Pull Request 改进本项目！

---

许可证

本项目采用 MIT 许可证。

---

参考

• Deep Residual Learning for Image Recognition - ResNet 论文
• CIFAR-10 Dataset - 数据集官网
• PyTorch Documentation - PyTorch 官方文档

---

联系方式

如有问题或建议，请联系：[email protected]

---

致谢

感谢 PyTorch 团队和 CIFAR-10 数据集提供者！

---

希望这份 README.md 文档能帮助你更好地展示和分享你的 ResNet-50 项目！如果有其他需求，欢迎继续提问！