清华大学版八年级下册信息科技第2单元第3课用深度学习实现图像分类教学设计.pdf

课题名称第3课用深度学习实现图像分类

1.知道图像数据集，能够说出数据集准备流程。

课时目标2.知道图像分类模型，能够说出SOTA模型的名称。

3.知道图像分类应用，能够用XEduHub实现应用编写。

教学准备网络计算机、XEdu软件、浏览器

导学过程意图说明

一、知识探究

1.项目子问题或任务引入

——学习图像分类任务的数据集制作，来为“昆虫的识别”作知识储备。

2.探究内容与要求

（1）方法引领：遵循“概念→结构→原理→”认知规律

（2）主要内容：

①如何制作图像数据集？——ImageNet格式

②如何对图像分类模型进行训练？——MMEdu图像训练

③如何应用图像分类模型？——XEduHub推理ONNX模型

3.知识习得

（1）自主阅读：以书本P55-57为主，网络知识作补充

（2）知识梳理：

①丰富的数据集意味着图片要考虑光照、拍摄角度、背景等条件的变化，采集多样化

的图片。应用场景为校园农场时，就不能用在教室的图片，而是应该在校园农场采集

图片。

②ImageNet数据集包括训练集、验证集和测试集。

4.知识习得

（1）自主阅读：以书本P57-60为主，网络知识作补充

（2）知识梳理：

①不同的SOTA模型适合解决不同的问题，MobileNet适合在移动终端上部署。

②训练后出现的accuracy_top-1表示模型在验证集上验证得到的准确率。

5.知识习得

（1）自主阅读：以书本P60-64为主，网络知识作补充

（2）知识梳理：

①在MMEdu中使用convert函数可以实现将pth格式模型转换为ONNX格式模型。

②Gradio可以用于设计和部署机器学习模型的交互式界面。

6.核心素养培育

（1）学会分析:以“昆虫的识别”为例，如何选择合适的昆虫种类，如何采集图像，如何

选择模型，如何搭建人工智能应用？

辅助分析支架：要实现“昆虫的识别”，需要了解数据集格式、模型的优劣、模型转

换、模型推理和人工智能应用搭建。

（2）学会解释:如何用python代码实现MMEdu图像分类模型训练？

辅助分析支架：

①编写基本训练代码：

fromMMEduimportMMClassificationascls

model=cls(backbone=‘LeNet’)

model.num_classes=3

model.load_dataset(path=‘./dataset/insect’)

model.save_fold=‘./my_model’

model.train(epochs=10,validate=True)

②基于训练过的模型，继续训练的参考代码：

fromMMEduimportMMClassificationascls

model=cls(backbone=‘LeNet’)

model.num_classes=3

model.load_dataset(path=‘./dataset/insect’)

model.save_fold=‘./my_model’

checkpoint=‘./latest.pth’#要求模型使用同一种SOTA模型

model.train(epochs=10,validate=True,checkpoint=checkpoint)

③模型转换为ONNX格式。代码如下：

fromMMEduimportMMClassificationascls

model=cls(backbone=‘LeNet’)

checkpoint=‘./my_model/latest.pth’)

out_file=‘./my_model/best.onnx’

model.convert(checkpoint=checkpoint,out_file=out_file)

（3）学会求证：用模型推理验证模型效果！

——教师引领学会求证：用python编程，实现图像分类推理。

①求证技能：用python中的XEduHub，实现推理。