Binaire en multiclass-beeldclassificatie

Deep Learning voor afbeeldingen met PyTorch

Michal Oleszak

Machine Learning Engineer

Wat leren we met PyTorch?

taken

Wat leren we met PyTorch?

taken

Wat leren we met PyTorch?

taken

Wat leren we met PyTorch?

taken

Vereisten

Convolutionele neurale netwerken
Modeltraining in PyTorch
Voorkennis: Intermediate Deep Learning with PyTorch

PyTorch-bibliotheek

torchvision

PyTorch-bibliotheek

torchvision

PyTorch-bibliotheek

torchvision

PyTorch-bibliotheek

torchvision

Beeldclassificatie

Binaire classificatie

binary

Twee klassen (kat, hond)
Activatiefunctie: Sigmoid

Multiclass classificatie

multi-class

Meerdere klassen (boot, trein, auto)
Activatiefunctie: Softmax
Hoogste kans is de voorspelling

Convolutioneel neuraal netwerk (CNN)

cnn

Convolutioneel neuraal netwerk (CNN)

binary

Convolutioneel neuraal netwerk (CNN)

binary

Convolutioneel neuraal netwerk (CNN)

binary

Convolutioneel neuraal netwerk (CNN)

binary

Datasets: klasselabels

afbeeldingsmappen

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}

Binaire beeldclassificatie: convolutielaag

Conv2d():
- Input: 3 RGB-kanalen (rood, groen, blauw)
- Output: 16 kanalen
- Kernel: 3 x 3 matrix
- Stride = 1: kernel schuift 1 stap
- Padding = 1: 1 pixel langs de rand
ReLU():
- Niet-lineaire activatiefunctie
MaxPool2d():
- Kernel: 2x2
- Stride: 2 stappen

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

Binaire beeldclassificatie: volledig verbonden laag

Flatten():
- Tensors platgeslagen tot 1D-vector
Linear():
- Input: feature maps × hoogte × breedte
- Output: één klasse
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

Multiclass-beeldclassificatie met CNN

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

Laten we oefenen!

Deep Learning voor afbeeldingen met PyTorch