基于自定义数据集微调SigLIP2-分类任务

  本项目基于Google的SigLIP2模型，构建了一个智能xx等级分类系统。通过联合训练策略（对比学习+分类学习），实现了对xx图像的精确等级分类（Grade 2-5），提供AI辅助支持。

一、任务背景

xx等级分类的重要性

  xx等级的准确判断对后续方案制定和预后评估至关重要：

  - Grade 1 ：正常情况，目前不纳入分类内容。

  - Grade 2 ：等级2

  - Grade 3 ：等级3

  - Grade 4 ：等级4

  - Grade 5：等级5

技术挑战

  图像特征复杂，等级边界模糊，传统方法依赖专家经验，主观性强，需要同时理解图像内容和xx描述。

二、数据集构建

• 标注格式：JSONL格式，包含图像路径和文本描述
• 数据分布：多等级xx图像，每张图像配有详细的描述

数据标注

CVAT对图片进行tag标注，自定义标注工具进行jsonl标注文件生成。

{"image_path": "images/36_2650.jpg", "text": "Grade 3: Presence of ANY of the following: description."}
{"image_path": "images/36_2675.jpg", "text": "Grade 3: Presence of ANY of the following: description."}
dataset/
├── images/
│   ├── img001.jpg
│   ├── img002.jpg
├── labels.jsonl

数据预处理

python
# 数据加载和标签提取
def load_data(jsonl_path, image_dir):
    with open(jsonl_path, "r") as f:
        entries = [json.loads(line.strip()) for line in f]
    data = []
    for entry in entries:
        image_path = os.path.join(image_dir, os.path.basename(entry["image_path"]))
        text = entry["text"]
        label = extract_label(text)  # 从文本中提取等级标签
        if label != -1:
            data.append((image_path, text, label))
    return data
 # 标签映射
 id2grade = {0: "Grade 2", 1: "Grade 3", 2: "Grade 4", 3: "Grade 5"}

三、模型架构

核心模型

• 基础模型：SigLIP2-Base-Patch16-384
• 输入尺寸：384×384像素
• 预训练权重 ：Google官方预训练模型，自行到hugging face下载
  

联合训练架构

python
class SigLIP2WithClassifier(nn.Module):
    def __init__(self, base_model, processor, num_classes=4):
        self.siglip = base_model          # SigLIP2主干网络
        self.classifier = nn.Linear(embed_dim, num_classes)  # 分类头
        self.temperature = 0.07           # 对比学习温度参数

损失函数设计

1. 对比损失（Contrastive Loss）

   • 目标：学习图像-文本对应关系
   • 公式：logits_per_image = (image_embeds @ text_embeds.T) / temperature

2. 分类损失（Classification Loss）

   • 目标：精确预测烧伤等级
   • 公式：CrossEntropy(classifier(image_embeds), class_labels)

3. 联合损失

   • 总损失 = 对比损失 + 分类损失

训练配置

python
# 训练机器：H100服务器
# 训练参数
epochs = 20
learning_rate = 2e-5
batch_size = 16
device = "cuda"  # GPU训练

模型保存

torch.save(model.state_dict(), os.path.join(save_dir, "parkland_siglip2.pt"))

三、推理部署

模型加载

python
# 加载训练好的模型
model = SigLIP2WithClassifier(base_model, processor, num_classes=4)
model.load_state_dict(torch.load("parkland_siglip2.pt"))
model.eval()

推理流程

1. 图像预处理：调整尺寸、标准化

2. 特征提取：通过SigLIP2获取图像嵌入

3. 分类预测：通过分类头预测烧伤等级

4. 结果输出：返回等级概率分布

   加载和预处理图像

   image = Image.open(image_path).convert("RGB")
   inputs = processor(images=image, return_tensors="pt").to(device)

   推理

   image_features = model.siglip.vision_model(pixel_values=inputs["pixel_values"]).pooler_output
   logits = model.classifier(image_features)
   probs = torch.softmax(logits, dim=-1)
   pred = probs.argmax(dim=-1).item()