Entraîner des classificateurs d'images

Apprentissage profond intermédiaire avec PyTorch

Michal Oleszak

Machine Learning Engineer

Retour sur l'augmentation des données

Image d'un chat.

Retour sur l'augmentation des données

Image d'un chat retournée horizontalement et pivotée.

Ce qu'il ne faut pas augmenter

Un citron jaune et une lime verte se ressemblent, ne diffèrent que par la couleur.

Ce qu'il ne faut pas augmenter

Un citron jaune et une lime verte se ressemblent, ne diffèrent que par la couleur.

Ce qu'il ne faut pas augmenter

La lettre « W » après un retournement vertical ressemble à la lettre « M ».

Les augmentations peuvent influer sur l'étiquette
Le caractère ambigu dépend de la tâche
Choisissez toujours les augmentations selon les données et la tâche !

Augmentations pour classifier les nuages

Un échantillon de photos de nuages.

Rotation aléatoire : exposer le modèle à divers angles de formations nuageuses
Retournement horizontal : simuler différents points de vue du ciel
Ajustement auto du contraste : simuler diverses conditions d'éclairage

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

Perte d'entropie croisée

Classification binaire : perte d'entropie croisée binaire (BCE)
Classification multi-classe : perte d'entropie croisée
criterion = nn.CrossEntropyLoss()

Boucle d'entraînement du classificateur d'images

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()

Passons à la pratique !

Apprentissage profond intermédiaire avec PyTorch