体验地址：http://154.12.16.239:8080/catdog

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%
• 训练设备: NVIDIA GeForce GTX 1060
• 模型格式: GGUF (42.64 MB)

使用方法

Python 推理

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

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

许可证

MIT License