Classification d'images binaire et multiclasse

Deep Learning pour les images avec PyTorch

Michal Oleszak

Machine Learning Engineer

Qu'allons-nous apprendre avec PyTorch ?

tâches

Qu'allons-nous apprendre avec PyTorch ?

tâches

Qu'allons-nous apprendre avec PyTorch ?

tâches

Qu'allons-nous apprendre avec PyTorch ?

tâches

Prérequis

Convolutional Neural Networks
Entraînement de modèles dans PyTorch
Cours préalable : Intermediate Deep Learning with PyTorch

Bibliothèque PyTorch

torchvision

Bibliothèque PyTorch

torchvision

Bibliothèque PyTorch

torchvision

Bibliothèque PyTorch

torchvision

Classification d'images

Classification binaire

binaire

Deux classes distinctes (chats, chiens)
Fonction d'activation : Sigmoid

Classification multiclasse

multiclasse

Plusieurs classes (bateau, train, voiture)
Fonction d'activation : Softmax
La plus forte probabilité = la prédiction

Modèle de réseau de neurones convolutionnel

cnn

Modèle de réseau de neurones convolutionnel

binaire

Modèle de réseau de neurones convolutionnel

binaire

Modèle de réseau de neurones convolutionnel

binaire

Modèle de réseau de neurones convolutionnel

binaire

Ensembles de données : étiquettes de classe

dossiers d'images

from torchvision import datasets
import torchvision.transforms as transforms


train_dir = '/data/train'
train_dataset = ImageFolder(root=train_dir,
         transform=transforms.ToTensor())

classes = train_dataset.classes
print(classes)

['cat', 'dog']

print(train_dataset.class_to_idx)

{'cat': 0, 'dog': 1}

Classification binaire : couche de convolution

Conv2d() :
- Entrée : 3 canaux RVB (rouge, vert, bleu)
- Sortie : 16 canaux
- Noyau : matrice 3 x 3
- Pas = 1 : le noyau avance de 1 cran
- Remplissage = 1 : 1 pixel autour du bord
ReLU() :
- Fonction d'activation non linéaire
MaxPool2d() :
- Noyau : 2x2
- Pas : 2 crans

class BinaryCNN(nn.Module):
    def __init__(self):
        super(BinaryCNN, self).__init__()

        self.conv1 = nn.Conv2d(3, 16,
                kernel_size=3, stride=1, padding=1)

        self.relu = nn.ReLU()

        self.pool = nn.MaxPool2d(kernel_size=2, 
                     stride=2)




   def forward(self, x):



        return x

Classification binaire : couche entièrement connectée

Flatten() :
- Tenseurs aplatis en vecteur 1-D
Linear() :
- Entrée : cartes de caractéristiques x hauteur x largeur
- Sortie : une seule classe
Sigmoid() :
- [0,1]

class BinaryCNN(nn.Module):
    def __init__(self):
        super(BinaryCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16,
                kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, 
                     stride=2)

        self.flatten = nn.Flatten()

        self.fc1 = nn.Linear(16 * 112 * 112, 1)

        self.sigmoid = nn.Sigmoid()

   def forward(self, x):

        x = self.pool(self.relu(self.conv1(x)))
        x = self.fc1(self.flatten(x))
        x = self.sigmoid(x)]

        return x

Classification multiclasse avec CNN

class MultiClassCNN(nn.Module):
    def __init__(self, num_classes):
        super(MultiClassCNN, self).__init__()
        ...

        self.fc = nn.Linear(16 * 112 * 112, num_classes)

        self.softmax = nn.Softmax(dim=1)

    def forward(self, x):
        ...

        x = self.softmax(x)

        return x

Passons à la pratique !

Deep Learning pour les images avec PyTorch