Обучение классификаторов изображений

Глубокое обучение на PyTorch: средний уровень

Michal Oleszak

Machine Learning Engineer

Аугментация данных: повторение

Изображение кошки.

Аугментация данных: повторение

Изображение кошки, отражённое по горизонтали и повёрнутое.

Что не следует аугментировать

Жёлтый лимон и зелёный лайм выглядят одинаково — различаются только цветом.

Что не следует аугментировать

Жёлтый лимон и зелёный лайм выглядят одинаково — различаются только цветом.

Что не следует аугментировать

Буква «W» после вертикального отражения становится похожа на букву «M».

Аугментации могут изменять метку
Насколько это критично — зависит от задачи
Всегда подбирайте аугментации с учётом данных и задачи!

Аугментации для классификации облаков

Примеры снимков облаков.

Случайный поворот: знакомит модель с различными углами облачных formations
Горизонтальное отражение: имитирует разные ракурсы неба
Автоматическая регулировка контраста: имитирует разные условия освещения

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

Функция потерь кросс-энтропии

Бинарная классификация: функция потерь бинарной кросс-энтропии (BCE)
Многоклассовая классификация: функция потерь кросс-энтропии
criterion = nn.CrossEntropyLoss()

Цикл обучения классификатора изображений

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()

Давайте потренируемся!

Глубокое обучение на PyTorch: средний уровень