İkili ve çok sınıflı görüntü sınıflandırma

PyTorch ile Görüntüler için Deep Learning

Michal Oleszak

Machine Learning Engineer

PyTorch ile ne öğreneceğiz?

görevler

PyTorch ile ne öğreneceğiz?

görevler

PyTorch ile ne öğreneceğiz?

görevler

PyTorch ile ne öğreneceğiz?

görevler

Önkoşullar

Evrişimsel Sinir Ağları
PyTorch'ta model eğitimi
Önkoşul ders: Intermediate Deep Learning with PyTorch

PyTorch kitaplığı

torchvision

PyTorch kitaplığı

torchvision

PyTorch kitaplığı

torchvision

PyTorch kitaplığı

torchvision

Görüntü sınıflandırma

İkili sınıflandırma

binary

İki ayrı sınıf (kedi, köpek)
Aktivasyon: Sigmoid

Çok sınıflı sınıflandırma

multi-class

Birden çok sınıf (tekne, tren, araba)
Aktivasyon: Softmax
En yüksek olasılık tahmindir

Evrişimsel Sinir Ağı modeli

evrişimsel sinir ağı

Evrişimsel Sinir Ağı modeli

ikili

Evrişimsel Sinir Ağı modeli

ikili

Evrişimsel Sinir Ağı modeli

ikili

Evrişimsel Sinir Ağı modeli

ikili

Veri kümeleri: sınıf etiketleri

görüntü klasörleri

from torchvision import datasets
import torchvision.transforms as transforms


train_dir = '/data/train'
train_dataset = ImageFolder(root=train_dir,
         transform=transforms.ToTensor())

classes = train_dataset.classes
print(classes)

['cat', 'dog']

print(train_dataset.class_to_idx)

{'cat': 0, 'dog': 1}

İkili görüntü sınıflandırma: evrişim katmanı

Conv2d():
- Girdi: 3 RGB kanal (kırmızı, yeşil, mavi)
- Çıktı: 16 kanal
- Çekirdek: 3 x 3 matris
- Adım = 1: çekirdek 1 adım ilerler
- Dolgu = 1: kenarda 1 piksel
ReLU():
- Doğrusal olmayan aktivasyon
MaxPool2d():
- Çekirdek: 2x2
- Adım: 2 adım

class BinaryCNN(nn.Module):
    def __init__(self):
        super(BinaryCNN, self).__init__()

        self.conv1 = nn.Conv2d(3, 16,
                kernel_size=3, stride=1, padding=1)

        self.relu = nn.ReLU()

        self.pool = nn.MaxPool2d(kernel_size=2, 
                     stride=2)




   def forward(self, x):



        return x

İkili görüntü sınıflandırma: tam bağlantılı katman

Flatten():
- Tensörleri 1B vektöre düzler
Linear():
- Girdi: öznitelik haritaları x yükseklik x genişlik
- Çıktı: tek bir sınıf
Sigmoid():
- [0,1]

class BinaryCNN(nn.Module):
    def __init__(self):
        super(BinaryCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16,
                kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, 
                     stride=2)

        self.flatten = nn.Flatten()

        self.fc1 = nn.Linear(16 * 112 * 112, 1)

        self.sigmoid = nn.Sigmoid()

   def forward(self, x):

        x = self.pool(self.relu(self.conv1(x)))
        x = self.fc1(self.flatten(x))
        x = self.sigmoid(x)]

        return x

CNN ile çok sınıflı görüntü sınıflandırma

class MultiClassCNN(nn.Module):
    def __init__(self, num_classes):
        super(MultiClassCNN, self).__init__()
        ...

        self.fc = nn.Linear(16 * 112 * 112, num_classes)

        self.softmax = nn.Softmax(dim=1)

    def forward(self, x):
        ...

        x = self.softmax(x)

        return x

Haydi pratik yapalım!

PyTorch ile Görüntüler için Deep Learning