Trénování klasifikátorů obrázků

Intermediate Deep Learning with PyTorch

Michal Oleszak

Machine Learning Engineer

Datová augmentace – přehled

Obrázek kočky.

Datová augmentace – přehled

Obrázek kočky překlopený horizontálně a otočený.

Co by se nemělo augmentovat

Žlutý citron a zelený lajm vypadají stejně, liší se pouze barvou.

Co by se nemělo augmentovat

Žlutý citron a zelený lajm vypadají stejně, liší se pouze barvou.

Co by se nemělo augmentovat

Písmeno „W" po vertikálním překlopení vypadá jako písmeno „M".

Augmentace mohou ovlivnit třídu
Zda je to matoucí, závisí na úloze
Vždy volte augmentace s ohledem na data a úlohu!

Augmentace pro klasifikaci oblaků

Ukázka snímků oblaků.

Náhodná rotace: vystavení modelu různým úhlům oblačných útvarů
Horizontální překlopení: simulace různých pohledů na oblohu
Automatická úprava kontrastu: simulace různých světelných podmínek

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

Ztrátová funkce cross-entropy

Binární klasifikace: ztrátová funkce BCE
Vícetřídní klasifikace: ztrátová funkce cross-entropy
criterion = nn.CrossEntropyLoss()

Trénovací smyčka klasifikátoru obrázků

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()

Let's practice!

Intermediate Deep Learning with PyTorch