مشروع تصنيف الصور

سننشئ في هذا المشروع شبكة عصبية التفافية بسيطة لتصنيف الصور ضمن فئات. يتضمن تصنيف الصور التنبؤ بالفئة أو التصنيف الذي تنتمي إليه صورة مُدخلة.

مجموعة بيانات التصنيف

سنستخدم مجموعة بيانات CIFAR-10، التي تتكون من 60,000 صورة موزعة على 10 فئات، مثل الطائرات والسيارات والطيور والقطط. أبعاد 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)

إنشاء نموذج الشبكة العصبية الالتفافية

سنحدد بنية لشبكة عصبية التفافية 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

نُجمّع النموذج باستخدام ما يلي:

• دالة الخسارة: الانتروبيا المتقاطعة الفئوية للتصنيف متعدد الفئات.
• المُحسِّن: مُحسِّن Adam للتعلّم بكفاءة.
• 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 حقبات. يتعلم 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 المدرَّب 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]}")

التحديات في 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: عدم تساوي تمثيل الفئات في مجموعة البيانات.
• التكلفة الحسابية: يتطلب تدريب الشبكات العميقة موارد كبيرة.

الملخص والخطوات التالية

في هذا المشروع:

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

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