Bekerja dengan model terlatih

Deep Learning untuk Gambar dengan PyTorch

Michal Oleszak

Machine Learning Engineer

Memanfaatkan model terlatih

Melatih model dari nol:
- Proses lama
- Butuh banyak data
Model terlatih - model yang sudah dilatih pada suatu tugas
- Dapat langsung dipakai untuk tugas baru
- Perlu penyesuaian ke tugas baru (transfer learning)
Langkah memanfaatkan model terlatih:
- Simpan & muat model secara lokal
- Unduh model torchvision

Menyimpan model PyTorch lengkap

torch.save()
Ekstensi model: .pt atau .pth

Simpan bobot model dengan .state_dict()

torch.save(model.state_dict(), "BinaryCNN.pth")

Memuat model PyTorch

Inisialisasi model baru
```
new_model = BinaryCNN()
```

Muat parameter tersimpan

new_model.load_state_dict(torch.load('BinaryCNN.pth'))

Mengunduh model torchvision

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

Impor arsitektur resnet dan bobot
Ambil bobot
Buat model dengan menyertakan bobot
Simpan transformasi data yang dibutuhkan

Menyiapkan gambar input baru

from PIL import Image

image = Image.open("cat013.jpg")

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

gambar kucing

Muat gambar
Transformasi gambar
Ubah bentuk gambar

Membuat prediksi baru

model.eval()


with torch.no_grad():

    pred = model(image_reshaped).squeeze(0)


pred_cls = pred.softmax(0)

cls_id = pred_cls.argmax().item()

cls_name = weights.meta["categories"][cls_id]


print(cls_name)

Egyptian cat

Mode evaluasi untuk inferensi
Nonaktifkan gradien
Masukkan gambar ke model dan hilangkan dimensi batch
Terapkan softmax
Pilih kelas dengan probabilitas tertinggi dan ambil indeksnya
Peta indeks kelas ke label
Cetak label kelas

Ayo berlatih!

Deep Learning untuk Gambar dengan PyTorch