Görüntü sınıflandırıcılarını eğitme

PyTorch ile Orta Düzey Deep Learning

Michal Oleszak

Machine Learning Engineer

Veri artırmaya dönüş

Bir kedi resmi.

Veri artırmaya dönüş

Yatay çevrilmiş ve döndürülmüş bir kedi resmi.

Neler artırılmamalı

Sarı limon ve yeşil misket limonu aynı görünüyor, sadece renkleri farklı.

Neler artırılmamalı

Sarı limon ve yeşil misket limonu aynı görünüyor, sadece renkleri farklı.

Neler artırılmamalı

"W" harfi dikey çevrilince "M" gibi görünür.

Artırmalar etiketleri etkileyebilir
Bunun kafa karışıklığı yaratıp yaratmayacağı göreve bağlıdır
Artırmaları her zaman veri ve göreve göre seçiniz

Bulut sınıflandırma için artırmalar

Bulut resimlerinden örnek.

Rastgele döndürme: modeli farklı bulut açılarına maruz bırakır
Yatay çevirme: farklı gökyüzü bakış açılarını simüle eder
Otomatik kontrast ayarı: farklı aydınlatmaları simüle eder

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

Çapraz entropi kaybı

İkili sınıflandırma: ikili çapraz entropi (BCE) kaybı
Çok sınıflı sınıflandırma: çapraz entropi kaybı
criterion = nn.CrossEntropyLoss()

Görüntü sınıflandırıcı eğitim döngüsü

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()

Hadi pratik yapalım!

PyTorch ile Orta Düzey Deep Learning