Bildklassifizierer trainieren

Deep Learning mit PyTorch für Fortgeschrittene

Michal Oleszak

Machine Learning Engineer

Data Augmentation: Rückblick

Bild einer Katze.

Data Augmentation: Rückblick

Bild einer horizontal gespiegelten und gedrehten Katze.

Was man nicht augmentieren sollte

Gelbe Zitrone und grüne Limette sehen gleich aus, unterscheiden sich nur in der Farbe.

Was man nicht augmentieren sollte

Gelbe Zitrone und grüne Limette sehen gleich aus, unterscheiden sich nur in der Farbe.

Was man nicht augmentieren sollte

Der Buchstabe „W“ sieht nach vertikalem Spiegeln wie „M“ aus.

Augmentationen können das Label beeinflussen
Ob das verwirrt, hängt von der Aufgabe ab
Wähle Augmentationen immer passend zu Daten und Aufgabe!

Augmentationen für Wolkenklassifikation

Eine Auswahl an Wolkenbildern.

Zufällige Rotation: Modell auf verschiedene Wolkenwinkel vorbereiten
Horizontales Spiegeln: unterschiedliche Blickwinkel simulieren
Auto-Kontrast: unterschiedliche Lichtverhältnisse simulieren

train_transforms = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.RandomRotation(45),
    transforms.RandomAutocontrast(),
    transforms.ToTensor(),
    transforms.Resize((128, 128))
])

Cross-Entropy-Loss

Binärklassifikation: Binary Cross-Entropy (BCE) Loss
Multiklassenklassifikation: Cross-Entropy Loss
criterion = nn.CrossEntropyLoss()

Trainingsschleife für Bildklassifizierer

net = Net(num_classes=7)

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)


for epoch in range(10):
    for images, labels in dataloader_train:
        optimizer.zero_grad()
        outputs = net(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

Lass uns üben!

Deep Learning mit PyTorch für Fortgeschrittene