مشروع تصنيف الصور

في هذا المشروع، سنبني شبكة CNN بسيطة لتصنيف الصور ضمن فئات. ويتضمن تصنيف الصور التنبؤ بفئة صورة الإدخال أو تسميتها.

مجموعة بيانات التصنيف

سنستخدم مجموعة بيانات CIFAR-10، التي تتكون من 60,000 صورة ضمن 10 فئات، مثل الطائرات والسيارات والطيور والقطط. يبلغ حجم كل صورة 32×32 بكسل، وتحتوي على 3 قنوات لونية (RGB).

تحميل مجموعة البيانات

سنحمّل مجموعة بيانات CIFAR-10 باستخدام TensorFlow:

import tensorflow as tf
from tensorflow.keras.datasets import cifar10

# Load dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# Normalize the pixel values to [0, 1]
x_train = x_train / 255.0
x_test = x_test / 255.0

print("Training data shape:", x_train.shape)

بناء نموذج CNN

سنعرّف بنية CNN التي تتضمن طبقات التفاف وتجميع وطبقات متصلة بالكامل:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Define the CNN model
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

تجميع النموذج

نجمّع النموذج باستخدام:

• دالة الخسارة: الانتروبيا المتقاطعة الفئوية للتصنيف متعدد الفئات.
• المحسّن: محسّن Adam للتعلم الفعال.
• المقاييس: الدقة لتقييم الأداء.

# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

تدريب النموذج

ندرّب النموذج باستخدام بيانات التدريب لمدة 10 دورات. ويتعلم النموذج أثناء التدريب تصنيف الصور ضمن فئات.

# Train the model
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

تقييم النموذج

بعد التدريب، نقيّم النموذج باستخدام بيانات الاختبار للتحقق من دقته:

# Evaluate the model
loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test Accuracy: {accuracy * 100:.2f}%")

إجراء التنبؤات

يمكننا استخدام النموذج المدرّب لإجراء تنبؤات على صور جديدة:

# Predict the category of a test image
import numpy as np

sample_image = x_test[0]
sample_label = y_test[0]

prediction = np.argmax(model.predict(sample_image[np.newaxis, ...]))
print(f"Predicted Label: {prediction}, Actual Label: {sample_label[0]}")

تحديات تصنيف الصور

تشمل التحديات الشائعة ما يلي:

• فرط التكيّف: يحقق النموذج أداءً جيدًا على بيانات التدريب، لكنه يحقق أداءً ضعيفًا على البيانات الجديدة.
• عدم توازن الفئات: تمثيل غير متساوٍ للفئات في مجموعة البيانات.
• التكلفة الحسابية: يتطلب تدريب الشبكات العميقة موارد كبيرة.

الملخص والخطوات التالية

في هذا المشروع، قمنا بما يلي:

• أنشأنا ودرّبنا شبكة CNN لتصنيف الصور باستخدام مجموعة بيانات CIFAR-10.
• تعلّمنا تحميل مجموعة البيانات ومعالجتها مسبقًا وتقييمها.
• ناقشنا التحديات في مهام تصنيف الصور.

بعد ذلك، سنستكشف تقنيات زيادة البيانات لتحسين أداء النموذج من خلال إنشاء تنويعات من صور التدريب.