猫狗分类模型 GPU版

模型地址：猫狗分类模型 GPU版

cat_dog_classifier_gpu

猫狗分类模型 - 基于 ResNet18 的二分类图像分类模型

模型信息

骨干网络: ResNet18
分类类别: Cat, Dog (2类)
训练数据: 24998 张图片
验证准确率: 98.64%
模型格式: GGUF (42.64 MB)

使用方法

Python 推理

复制代码

import torch from torchvision import transforms, models from PIL import Image import torch.nn as nn class CatDogNet(nn.Module): def __init__(self): super().__init__() self.backbone = models.resnet18(weights=None) self.backbone.fc = nn.Linear(512, 2) def forward(self, x): return self.backbone(x) # 加载模型 model = CatDogNet() model.load_state_dict(torch.load('cat_dog_model.pth', map_location='cpu', weights_only=True)) model.eval() # 预处理 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 预测 img = Image.open('test.jpg').convert('RGB') img_tensor = transform(img).unsqueeze(0) with torch.no_grad(): output = model(img_tensor) probs = torch.nn.functional.softmax(output, dim=1) class_names = ['Cat', 'Dog'] pred_class = class_names[probs.argmax().item()] print(f'预测类别: {pred_class}')

GGUF 格式加载

复制代码

from gguf_inference import GGUFLoader, ResNet18Inference # 加载 GGUF 模型 loader = GGUFLoader('cat_dog_classifier_gpu.gguf') weights = loader.get_weights() # 创建推理引擎 engine = ResNet18Inference(weights) # 预测 import numpy as np from PIL import Image img = Image.open('test.jpg').convert('RGB') img = img.resize((224, 224)) img_array = np.array(img, dtype=np.float32) / 255.0 img_array = (img_array - [0.485, 0.456, 0.406]) / [0.229, 0.224, 0.225] img_array = img_array.transpose(2, 0, 1)[np.newaxis, ...] output = engine.forward(img_array) pred_class = ['Cat', 'Dog'][output.argmax().item()]

模型文件

cat_dog_classifier_gpu.gguf - GGUF 格式模型 (42.64 MB)
cat_dog_model.pth - PyTorch 权重文件
gguf_inference_pytorch.py - Python 推理脚本

训练参数

Epochs: 15
Batch size: 64
Learning rate: 0.0005
Optimizer: Adam
Scheduler: StepLR (step_size=3, gamma=0.5)

训练过程可视化

训练汇总图

详细图表

1. 准确率对比

2. 损失变化曲线

3. 稳定性分析

训练统计

指标	值
最佳验证准确率	98.74% (Epoch 11)
最终训练准确率	98.98%
最终验证准确率	98.64%
训练损失	0.0185
验证损失	0.0512
波动范围	±0.2% (几乎无波动)