ResNet18智能货架实战：2块钱快速验证想法-程序员充电站

ResNet18智能货架实战：2块钱快速验证想法

引言

作为便利店店主，你是否遇到过这样的困扰：想尝试智能货架自动识别商品，但专业公司的报价动辄上万，自己电脑又跑不动复杂的AI模型？今天我要分享的ResNet18智能货架方案，只需2块钱就能快速验证你的想法。

ResNet18是一个轻量级的深度学习模型，特别适合商品识别这类任务。它就像是一个经过专业培训的店员，能快速识别货架上的各种商品。相比动辄需要高端显卡的大型模型，ResNet18在普通GPU上就能流畅运行，成本极低。

通过CSDN算力平台提供的预置镜像，我们可以一键部署这个方案。整个过程不需要任何复杂的配置，就像使用手机APP一样简单。接下来，我会手把手带你完成从环境搭建到实际测试的全流程。

1. 环境准备：2分钟快速部署

1.1 选择合适的基础镜像

在CSDN算力平台镜像广场搜索"PyTorch ResNet18"，选择包含以下组件的基础镜像：

PyTorch 1.8+
CUDA 11.1
OpenCV
预装ResNet18模型权重

这个镜像已经配置好了所有必要的环境，省去了繁琐的安装步骤。

1.2 启动GPU实例

选择最低配置的GPU实例即可（如T4显卡），每小时成本不到2元。启动后系统会自动加载我们选择的镜像。

# 验证GPU是否可用 nvidia-smi # 检查PyTorch环境 python -c "import torch; print(torch.__version__)"

2. 快速搭建智能货架系统

2.1 准备测试数据

我们可以先用手机拍摄几张货架照片作为测试数据。建议从不同角度拍摄5-10张照片，包含常见的商品如饮料、零食等。

将照片上传到实例的/data目录下，结构如下：

/data ├── cola.jpg ├── chips.jpg └── water.jpg

2.2 加载预训练模型

使用PyTorch内置的ResNet18模型，它已经在ImageNet数据集上预训练过，能识别1000种常见物品。

import torch import torchvision.models as models # 加载预训练模型 model = models.resnet18(pretrained=True) model.eval() # 设置为评估模式

2.3 编写识别脚本

下面是一个简单的商品识别脚本，可以批量处理货架照片：

from PIL import Image import torchvision.transforms as transforms # 图像预处理 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]) ]) # 加载ImageNet类别标签 with open('imagenet_classes.txt') as f: classes = [line.strip() for line in f.readlines()] def predict(image_path): img = Image.open(image_path) img_t = preprocess(img) batch_t = torch.unsqueeze(img_t, 0) # 使用GPU加速 if torch.cuda.is_available(): batch_t = batch_t.to('cuda') model.to('cuda') # 预测 with torch.no_grad(): out = model(batch_t) # 返回前5个最可能的类别 _, indices = torch.sort(out, descending=True) return [(classes[idx], float(out[0][idx])) for idx in indices[0][:5]]

3. 实际测试与优化

3.1 运行测试

将脚本保存为detect.py，然后运行：

python detect.py --image /data/cola.jpg

你会看到类似这样的输出：

[('bottle', 0.8765), ('can', 0.1234), ('carton', 0.0321), ('jar', 0.0123), ('cup', 0.0087)]

这表示系统以87.65%的概率认为这是一瓶饮料。

3.2 提高识别准确率的小技巧

调整置信度阈值：过滤掉低置信度的预测结果python # 只保留置信度大于50%的结果 results = [r for r in results if r[1] > 0.5]
多角度拍摄：从不同角度拍摄同一商品，提高识别率
简单微调：如果常见商品识别不准，可以用少量数据微调模型python # 冻结所有层，只训练最后的全连接层 for param in model.parameters(): param.requires_grad = False model.fc = torch.nn.Linear(512, len(your_classes)) # 修改为你的商品类别数

4. 部署到实际货架

4.1 实时摄像头监控

如果你想实现实时监控，可以使用OpenCV接入摄像头：

import cv2 cap = cv2.VideoCapture(0) # 0表示默认摄像头 while True: ret, frame = cap.read() if not ret: break # 将帧转换为PIL图像 img = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)) # 进行预测 results = predict(img) # 在画面上显示结果 for i, (name, prob) in enumerate(results): cv2.putText(frame, f"{name}: {prob:.2f}", (10, 30+i*30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2) cv2.imshow('Smart Shelf', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

4.2 库存统计功能

通过记录识别结果，我们可以实现简单的库存统计：

import pandas as pd from collections import defaultdict inventory = defaultdict(int) def update_inventory(results): if results: # 只记录置信度最高的结果 item = results[0][0] inventory[item] += 1 # 每隔一段时间保存一次库存数据 def save_inventory(): df = pd.DataFrame(list(inventory.items()), columns=['Item', 'Count']) df.to_csv('inventory.csv', index=False)