Utiliser des modèles préentraînés

Deep Learning pour les images avec PyTorch

Michal Oleszak

Machine Learning Engineer

Exploiter des modèles préentraînés

Entraîner des modèles à partir de zéro :
- Processus long
- Exige beaucoup de données
Modèles préentraînés – modèles déjà entraînés sur une tâche
- Réutilisables directement sur une nouvelle tâche
- Nécessitent un ajustement à la nouvelle tâche (apprentissage par transfert)
Étapes pour exploiter des modèles préentraînés :
- Enregistrer et charger des modèles localement
- Télécharger des modèles torchvision

Enregistrer un modèle PyTorch complet

torch.save()
Extension du modèle : .pt ou .pth

Enregistrer les poids avec .state_dict()

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

Charger des modèles PyTorch

Instancier un nouveau modèle
```
new_model = BinaryCNN()
```

Charger les paramètres enregistrés

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

Télécharger des modèles torchvision

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

Importer l'architecture resnet et les poids
Extraire les poids
Instancier un modèle en lui passant les poids
Conserver les transformations de données requises

Préparer de nouvelles images d'entrée

from PIL import Image

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

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

image de chat

Charger l'image
Transformer l'image
Remodeler l'image

Générer une nouvelle prédiction

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

Mode évaluation pour l'inférence
Désactiver les gradients
Passer l'image au modèle et retirer la dimension lot
Appliquer softmax
Choisir la classe la plus probable et extraire son indice
Faire correspondre l'indice de classe à l'étiquette
Afficher l'étiquette de classe

Passons à la pratique !

Deep Learning pour les images avec PyTorch