Práce s předtrénovanými modely

Deep Learning pro obrázky s PyTorchem

Michal Oleszak

Machine Learning Engineer

Využití předtrénovaných modelů

Trénování modelů od základu:
- Zdlouhavý proces
- Vyžaduje velké množství dat
Předtrénované modely – modely již natrénované na určité úloze
- Přímo použitelné na nové úlohy
- Vyžadují přizpůsobení nové úloze (transfer learning)
Kroky při využití předtrénovaných modelů:
- Ukládání a načítání modelů lokálně
- Stahování modelů z torchvision

Ukládání modelu PyTorch

torch.save()
Přípona modelu: .pt nebo .pth

Uložení vah modelu pomocí .state_dict()

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

Načítání modelů PyTorch

Vytvoření nové instance modelu
```
new_model = BinaryCNN()
```

Načtení uložených parametrů

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

Stahování modelů z torchvision

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

Import architektury resnet a vah
Extrakce vah
Vytvoření instance modelu s vahami
Uložení požadovaných datových transformací

Příprava nových vstupních obrázků

from PIL import Image

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

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

obrázek kočky

Načtení obrázku
Transformace obrázku
Změna tvaru obrázku

Generování nové predikce

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

Režim vyhodnocení pro inferenci
Zakázání gradientů
Předání obrázku modelu a odebrání dimenze dávky
Aplikace softmaxu
Výběr třídy s nejvyšší pravděpodobností a extrakce indexu
Mapování indexu třídy na popisek
Výpis popisku třídy

Pojďme procvičovat!

Deep Learning pro obrázky s PyTorchem