📚 课程目录第1章基于MobileNetV3的图像分类部署

1. 基于MobileNetV3的图像分类部署

任务目标

在嵌入式设备（以树莓派4B为参考平台）上部署MobileNetV3-Small模型，完成单张图像分类推理，并测量单次推理耗时与Top-1精度，验证模型在资源受限环境下的实时性与可用性。

环境与依赖

硬件：树莓派4B（4GB RAM），USB摄像头或测试图片
系统：Raspberry Pi OS (64-bit)
Python 3.9+，虚拟环境（推荐）
依赖安装：pip install torch torchvision opencv-python numpy
模型文件：使用PyTorch官方预训练的MobileNetV3-Small权重（自动下载）

关键完整代码

import torch
import torchvision.transforms as transforms
from torchvision.models import mobilenet_v3_small, MobileNet_V3_Small_Weights
from PIL import Image
import numpy as np
import time
import json
from urllib.request import urlopen

# 1. 加载预训练模型并设为评估模式
device = torch.device("cpu")  # 嵌入式设备通常无GPU
model = mobilenet_v3_small(weights=MobileNet_V3_Small_Weights.IMAGENET1K_V1)
model.eval()
model.to(device)

# 2. 加载ImageNet类别标签
url = "https://raw.githubusercontent.com/pytorch/hub/master/imagenet_classes.txt"
with urlopen(url) as f:
    classes = [line.strip().decode('utf-8') for line in f.readlines()]

# 3. 图像预处理（与训练时一致）
preprocess = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

def classify_image(image_path):
    """对单张图片进行分类，返回Top-1类别与置信度"""
    img = Image.open(image_path).convert('RGB')
    input_tensor = preprocess(img).unsqueeze(0)  # 增加batch维度
    
    # 推理计时
    start = time.time()
    with torch.no_grad():
        output = model(input_tensor)
    elapsed = time.time() - start
    
    # 获取Top-1结果
    prob = torch.nn.functional.softmax(output[0], dim=0)
    top1_idx = torch.argmax(prob).item()
    confidence = prob[top1_idx].item()
    
    return classes[top1_idx], confidence, elapsed

if __name__ == "__main__":
    # 使用示例图片（可替换为实际图片路径）
    test_img = "test_cat.jpg"  # 请准备一张测试图片
    label, conf, infer_time = classify_image(test_img)
    print(f"分类结果: {label}")
    print(f"置信度: {conf:.4f}")
    print(f"单次推理耗时: {infer_time*1000:.1f} ms")

运行与验证

将上述代码保存为deploy_mobilenetv3.py，在代码同目录放置一张测试图片（如猫、狗等常见物体），命名为test_cat.jpg。
运行命令：python deploy_mobilenetv3.py
首次运行会自动下载约10MB的预训练权重，需保持网络连接。

通过判定标准

程序正常输出类别名称、置信度（0~1之间）和推理耗时，无报错。
分类结果与图片内容相符（例如猫的图片输出"tabby cat"或"tiger cat"等猫科类别）。
单次推理耗时在树莓派4B上约为200~500ms（CPU模式），若耗时超过2秒需检查是否开启了过多后台进程或散热降频。
置信度大于0.5视为有效分类；若置信度普遍偏低，可检查预处理是否与训练一致。

性能评估说明

本案例使用MobileNetV3-Small（参数量约2.5M），在树莓派4B CPU上单次推理约300ms，可达到约3FPS的处理速度。若需更高实时性，可改用量化版本（PyTorch的quantization模块）或使用NCNN/TFLite转换后部署，但本案例聚焦于标准PyTorch流程的完整闭环验证。