Praca z wytrenowanymi modelami

Głębokie uczenie dla obrazów z PyTorch

Michal Oleszak

Machine Learning Engineer

Korzystanie z wytrenowanych modeli

Trenowanie modeli od podstaw:
- Długi proces
- Wymaga dużej ilości danych
Wytrenowane modele – modele już wytrenowane na określonym zadaniu
- Bezpośrednio wielokrotnego użytku w nowych zadaniach
- Wymagają dostosowania do nowego zadania (transfer learning)
Etapy korzystania z wytrenowanych modeli:
- Zapisywanie i wczytywanie modeli lokalnie
- Pobieranie modeli torchvision

Zapisywanie modelu PyTorch

torch.save()
Rozszerzenie modelu: .pt lub .pth

Zapisanie wag modelu za pomocą .state_dict()

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

Wczytywanie modeli PyTorch

Utworzenie nowego modelu
```
new_model = BinaryCNN()
```

Wczytanie zapisanych parametrów

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

Pobieranie modeli torchvision

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

Import architektury resnet i wag
Pobranie wag
Utworzenie modelu z przekazanymi wagami
Zapisanie wymaganych transformacji danych

Przygotowanie nowych obrazów wejściowych

from PIL import Image

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

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

obraz kota

Wczytanie obrazu
Transformacja obrazu
Zmiana kształtu obrazu

Generowanie nowej predykcji

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

Tryb ewaluacji do inferencji
Wyłączenie gradientów
Przekazanie obrazu do modelu i usunięcie wymiaru wsadowego
Zastosowanie softmax
Wybór klasy o najwyższym prawdopodobieństwie i pobranie jej indeksu
Mapowanie indeksu klasy na etykietę
Wydrukowanie etykiety klasy

Czas na ćwiczenia!

Głębokie uczenie dla obrazów z PyTorch