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(weightsNone) 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_locationcpu, weights_onlyTrue)) 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, dim1) 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, dtypenp.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: 15Batch size: 64Learning rate: 0.0005Optimizer: AdamScheduler: StepLR (step_size3, gamma0.5)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)