Entraîner des classifieurs d’images

Deep learning intermédiaire avec PyTorch

Michal Oleszak

Machine Learning Engineer

Rappel : augmentation de données

Image d’un chat.

Rappel : augmentation de données

Image d’un chat retourné horizontalement et pivoté.

Ce qu’il ne faut pas augmenter

Un citron jaune et un citron vert se ressemblent, seule la couleur change.

Ce qu’il ne faut pas augmenter

Un citron jaune et un citron vert se ressemblent, seule la couleur change.

Ce qu’il ne faut pas augmenter

La lettre « W » après retournement vertical ressemble à la lettre « M ».

Les augmentations peuvent affecter le label
Leur effet dépend de la tâche
Choisissez toujours les augmentations selon les données et la tâche

Augmentations pour classer les nuages

Un échantillon de photos de nuages.

Rotation aléatoire : exposer le modèle à divers angles de nuages
Retournement horizontal : simuler différents points de vue du ciel
Ajustement auto du contraste : simuler diverses lumières

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

Perte d’entropie croisée

Binaire : perte BCE (entropie croisée binaire)
Multi-classes : perte d’entropie croisée
criterion = nn.CrossEntropyLoss()

Boucle d’entraînement du classifieur d’images

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()

Passons à la pratique !

Deep learning intermédiaire avec PyTorch