基于Swin Transformer的家居垃圾分类系统

为了从家居源头解决垃圾分类的难题,选取Swin Transformer图卷积神经网络构建家居垃圾分类系统。该系统由三部分组成,构建垃圾分类模型、搭建安卓app、嵌套嵌入式设备。构建大规模垃圾分类数据集,进行垃圾分类实验,选取最优模型Swin Transformer,通过数据增强、迁移学习和添加全局注意力机制等策略进一步提升分类模型的性能。在数据集复杂度更高的情况下,已经超过了华为2019年垃圾分类挑战杯的方案,40垃圾分类的准确率达到了97.63%,超过了它的96.96%,并且param和flops远远低于其方案。搭建安卓app,通过MNN手机移动端架构,将Pytorch架构下训练的模型进行了转化和量化,让超大模型可以在轻型移动端设备完美适用,同时验证了模型转化和量化基本无精度损失,并优化了APP推理速度。