系统架构

Related topics: 项目概述, 深度学习模型

系统架构

本页面概述 DeepFashion 分类器系统中的架构，重点介绍模型训练、模型转换和模型部署流程。该系统旨在实现对服装图像的准确分类，支持 50 个类别。以下架构图展示了系统主要组件及其交互关系。

graph TD
    A[训练数据] --> B(训练脚本: train_deepfashion_complete.py);
    B --> C(模型训练);
    C --> D(模型保存);
    D --> E(模型转换: convert_deepfashion_complete.py);
    E --> F(Android 应用);
    B --> G(配置管理);

架构概述

系统主要由以下几个核心模块组成：

1. 训练模块

  • 训练脚本 (train_deepfashion_complete.py): 负责模型的训练过程，包括数据加载、模型初始化、训练循环、模型保存等。该脚本使用 PyTorch 框架进行模型训练。
    • Sources: [scripts/train_deepfashion_complete.py:44-56]()
  • 数据加载: 从存储目录中加载训练数据，包括图像和类别标签。
    • Sources: [scripts/train_deepfashion_complete.py:64-73]()
  • 模型初始化: 初始化 DeepFashion 分类器模型，使用 ResNet18 作为 backbone。
    • Sources: [DeepFashionClassifier/DeepFashionClassifier.kt:34-43]()
  • 配置管理: 管理训练过程中的配置参数，如学习率、batch size、epoch 数等。
    • Sources: [scripts/train_deepfashion_complete.py:28-33]()

2. 模型转换模块

  • 模型转换脚本 (convert_deepfashion_complete.py): 将训练好的 PyTorch 模型转换为 ONNX 格式，以便在 Android 应用中部署。
    • Sources: [scripts/convert_deepfashion_complete.py:20-38]()
  • ONNX 格式: ONNX (Open Neural Network Exchange) 是一种开放的神经网络交换格式，可以跨平台部署模型。
    • Sources: [scripts/convert_deepfashion_complete.py:40-45]()

3. Android 应用模块

  • 模型部署: 在 Android 应用中部署 ONNX 模型，进行图像分类。
    • Sources: [scripts/update_model_for_android.py:20-28]()

训练流程

  1. 数据准备: 准备训练数据集，包括图像文件和类别标签文件。
  2. 模型训练: 使用训练脚本训练 DeepFashion 分类器模型。
  3. 模型保存: 将训练好的模型保存到本地目录中。
  4. 模型转换: 使用模型转换脚本将 PyTorch 模型转换为 ONNX 格式。
  5. 模型部署: 将 ONNX 模型部署到 Android 应用中，进行图像分类。

关键组件

组件 描述 路径
DeepFashionClassifier 基于 ResNet18 的分类器模型 DeepFashionClassifier.kt
训练脚本 负责模型训练和保存 train_deepfashion_complete.py
模型转换脚本 将模型转换为 ONNX 格式 convert_deepfashion_complete.py
Android 应用 部署和运行 ONNX 模型的应用 (未提供)

依赖关系

  • build.gradle 文件定义了项目依赖关系，包括 PyTorch、Torchvision 和 ONNX Runtime 等库。
    • Sources: [app/build.gradle:10-20]()

总结

本系统通过将模型训练、模型转换和模型部署分离，实现了 DeepFashion 分类器的高效开发和部署。 使用 ONNX 格式进行模型转换，使得模型可以在多种平台上部署，提高了系统的灵活性和可移植性。