Delete unused files

Former-commit-id: 2a452d468608844b4f40d8fe46ed5ff71fa0b88c
Former-commit-id: 406cbf7c3d265dcfa49c7dc263bafa2d2a8b9c29

check_photo.py

@@ -1,25 +0,0 @@
-import torch
-import torchvision.transforms as transforms
-from PIL import Image
-import torchvision
-
-# Запуск модели для распознания фото
-def check_photo1(model, categorias, photo):
-    # Тот же формат фото, что и при обучении
-    normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
-                                     std=[0.229, 0.224, 0.225])
-    preprocess = transforms.Compose([
-    transforms.Resize([70, 70]),
-    transforms.RandomHorizontalFlip(),
-    transforms.RandomAutocontrast(),
-    transforms.RandomEqualize(),
-    transforms.ToTensor(),
-    normalize
-])
-    batch = preprocess(photo).unsqueeze(0)
-    prediction = model(batch).squeeze(0).softmax(0)
-    class_id = prediction.argmax().item()
-    score = prediction[class_id].item()
-    return categorias[class_id], score
-
-

check_photo_model_init.py

@@ -1,17 +0,0 @@
-import pickle
-import csv
-
-# Файл инициализации модели
-def init_model():
-    # Загрузить модели из файла
-    pkl_filename = "pickle_model.pkl"
-    with open(pkl_filename, 'rb') as file:
-        model = pickle.load(file)
-
-    # Считывание категорий
-    file = open("cat.csv", "r")
-    cat1 = list(csv.reader(file, delimiter=","))
-    categorias = cat1[0]
-    file.close()
-    model.eval()
-    return model, categorias

check_photo_model_retrain.py

@@ -1,154 +0,0 @@
-import os
-import torch
-import random
-import numpy as np
-import torchvision
-import matplotlib.pyplot as plt
-import torchvision.transforms as transforms
-import shutil
-import time
-import xml.etree.ElementTree as et
-import pickle
-import csv
-
-from tqdm import tqdm
-from PIL import Image
-from torchvision import models
-from torch.utils.data import DataLoader
-from torchvision.datasets import ImageFolder
-# Размер одного пакета
-BATCH_SIZE = 32
-
-use_gpu = torch.cuda.is_available()
-device = 'cuda' if use_gpu else 'cpu'
-print('Connected device:', device)
-
-# Датасет для тренировки
-train_dataset = ImageFolder(
-    root='Data/Train'
-)
-# Датасет для проверки
-valid_dataset = ImageFolder(
-    root='Data/Valid'
-)
-
-# augmentations (ухудшение качество чтобы не было переобучения)
-normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
-                                 std=[0.229, 0.224, 0.225])
-train_dataset.transform = transforms.Compose([
-    transforms.Resize([70, 70]),
-    transforms.RandomHorizontalFlip(),
-    transforms.RandomAutocontrast(),
-    transforms.RandomEqualize(),
-    transforms.ToTensor(),
-    normalize
-])
-
-valid_dataset.transform = transforms.Compose([
-    transforms.Resize([70, 70]),
-    transforms.ToTensor(),
-    normalize
-])
-
-# Определение выборки для обучения
-train_loader = DataLoader(
-    train_dataset, batch_size=BATCH_SIZE,
-    shuffle=True
-)
-# Определение выборки для проверки
-valid_loader = DataLoader(
-    valid_dataset, batch_size=BATCH_SIZE,
-    shuffle=False
-)
-
-# Указание на используемую модель
-def google(): # pretrained=True для tensorflow
-    model = models.googlenet(weights=models.GoogLeNet_Weights.IMAGENET1K_V1)
-    # Добавление линейного (выходного) слоя на основании которого идет дообучение
-    model.fc = torch.nn.Linear(1024, len(train_dataset.classes))
-    for param in model.parameters():
-        param.requires_grad = True
-    # Заморозка весов т.к. при переобучении модели они должны быть постоянны, а меняться будет только последний слой
-    model.inception3a.requires_grad = False
-    model.inception3b.requires_grad = False
-    model.inception4a.requires_grad = False
-    model.inception4b.requires_grad = False
-    model.inception4c.requires_grad = False
-    model.inception4d.requires_grad = False
-    model.inception4e.requires_grad = False
-    return model
-
-# Функция обучения модели. Epoch - количество итераций обучения (прогонов по нейросети)
-def train(model, optimizer, train_loader, val_loader, epoch=10):
-    loss_train, acc_train = [], []
-    loss_valid, acc_valid = [], []
-    # tqdm - прогресс бар
-    for epoch in tqdm(range(epoch)):
-        # Ошибки
-        losses, equals = [], []
-        torch.set_grad_enabled(True)
-
-        # Train. Обучение. В цикле проходится по картинкам и оптимизируются потери
-        model.train()
-        for i, (image, target) in enumerate(train_loader):
-            image = image.to(device)
-            target = target.to(device)
-            output = model(image)
-            loss = criterion(output,target)
-
-            losses.append(loss.item())
-            equals.extend(
-                [x.item() for x in torch.argmax(output, 1) == target])
-
-            optimizer.zero_grad()
-            loss.backward()
-            optimizer.step()
-        # Метрики отображающие резултитаты обучения модели
-        loss_train.append(np.mean(losses))
-        acc_train.append(np.mean(equals))
-        losses, equals = [], []
-        torch.set_grad_enabled(False)
-
-        # Validate. Оценка качества обучения
-        model.eval()
-        for i , (image, target) in enumerate(valid_loader):
-            image = image.to(device)
-            target = target.to(device)
-
-            output = model(image)
-            loss = criterion(output,target)
-
-            losses.append(loss.item())
-            equals.extend(
-                [y.item() for y in torch.argmax(output, 1) == target])
-
-        loss_valid.append(np.mean(losses))
-        acc_valid.append(np.mean(equals))
-
-    return loss_train, acc_train, loss_valid, acc_valid
-
-criterion = torch.nn.CrossEntropyLoss()
-criterion = criterion.to(device)
-
-model = google()
-print('Model: GoogLeNet\n')
-
-# оптимайзер - отвечает за поиск и подбор оптимальных весов
-optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
-model = model.to(device)
-
-loss_train, acc_train, loss_valid, acc_valid = train(
-model, optimizer, train_loader, valid_loader, 30)
-print('acc_train:', acc_train, '\nacc_valid:', acc_valid)
-
-# Сохранение модели в текущую рабочую директорию
-pkl_filename = "pickle_model.pkl"
-with open(pkl_filename, 'wb') as file:
-    pickle.dump(model, file)
-
-# Категории. Получаются из имен папок
-print(train_dataset.classes)
-# Экспорт категорий в CSV
-with open('cat.csv', 'w', newline='') as file:
-    writer = csv.writer(file)
-    writer.writerow(train_dataset.classes)

test_check_photo.py

@@ -1,21 +0,0 @@
-from check_photo import *
-from check_photo_model_init import *
-
-model, cat = init_model()
-
-Puskin_pamiatnik = Image.open("Data/Test_photo/1.jpg")
-Nov_arbat1 = Image.open("Data/Test_photo/2.jpg")
-Pushkin_dom1 = Image.open("Data/Test_photo/3.jpg")
-CDA1 = Image.open("Data/Test_photo/4.jpg")
-Okudjava1 = Image.open("Data/Test_photo/5.jpg")
-Kinoteatr = Image.open("Data/Test_photo/6.jpg")
-test_photos_dict = {'Puskin_pamiatnik':Puskin_pamiatnik,
-                    'Nov_arbat1':Nov_arbat1,
-                    'Pushkin_dom1': Pushkin_dom1,
-                    'CDA1': CDA1,
-                    'Okudjava1': Okudjava1,
-                    'Kinoteatr': Kinoteatr,
-                    }
-for name in test_photos_dict:
-    res_cat, res_score = check_photo1(model, cat, test_photos_dict[name])
-    print(f"{res_cat}: {100 * res_score:.1f}%", "right answer", name)