An attempt by a sophomore automotive student at Tongji University on Resnet training
本项目使用PyTorch实现ResNet-18的迁移学习，在CIFAR-10数据集上进行10类图像分类任务。CIFAR-10包含60,000张32x32彩色图像（50,000训练 + 10,000测试），类别包括airplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck。其中automobile和truck类与自动驾驶场景相关（如车辆识别）。
目标：掌握ResNet结构、torchvision.models使用、迁移学习，并完成一个小型分类任务。项目包括可运行脚本、最佳模型权重和训练可视化。
- 数据准备：使用
torchvision.datasets.CIFAR10，图像resize到224x224（匹配ResNet输入），应用ImageNet归一化。DataLoader batch_size=64。数据来源：cifar-10 - 网络修改：加载预训练ResNet-18 (
models.resnet18(weights='IMAGENET1K_V1'))，替换fc层为10类输出。 - 迁移学习：全部微调（Adam优化器，lr=0.001），损失函数CrossEntropyLoss。训练5 epochs（GPU上~20min）。
- 训练与评估：每个epoch计算train/test loss和accuracy，保存测试acc最高模型（best.pth）。
- 可视化：用matplotlib绘制loss和accuracy曲线，保存为training_curves.png。
- 继续训练（可选）：从best.pth加载，继续训到10 epochs，lr=0.0001，生成new_best.pth和new_training_curves.png。
- 初始训练（5 epochs）：最佳测试准确率：Test Loss: 0.3031, Acc: 90.75%。训练acc从
50%升到90%，显示收敛良好。 - 继续训练（到10 epochs）：最佳测试准确率提升到93.78%（例如86.2%）。Test Loss: 0.2238无明显过拟合。
- 训练曲线：
项目在本地环境（PyTorch 2.x，GPU可选）测试通过。未来可扩展到真实自动驾驶数据集如KITTI。
- 安装依赖：
pip install torch torchvision tqdm matplotlib - 运行初始训练：
python train.py（自动下载数据集） - 继续训练：
python resume_train.py - 加载模型预测：（可选添加推理代码示例）
train.py: 初始训练脚本resume_train.py: 继续训练脚本best.pth: 初始最佳模型权重 (~43MB)new_best.pth: 继续训练最佳模型 (~43MB)training_curves.png: 初始曲线图new_training_curves.png: 继续曲线图data/: CIFAR-10数据集（GitHub上忽略上传） 作者：zZzwn 日期：2025-12-18