Projekt zur Bildklassifizierung

In diesem Projekt erstellen wir ein einfaches CNN, um Bilder in Kategorien zu klassifizieren. Bei der Bildklassifizierung wird die Kategorie oder das Label eines Eingabebildes vorhergesagt.

Datensatz für die Klassifizierung

Wir verwenden den Datensatz CIFAR-10. Er besteht aus 60.000 Bildern in 10 Kategorien, darunter Flugzeuge, Autos, Vögel und Katzen. Jedes Bild ist 32×32 Pixel groß und verfügt über 3 Farbkanäle (RGB).

Den Datensatz laden

Wir laden den CIFAR-10-Datensatz mit 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)

Das CNN-Modell erstellen

Wir definieren eine CNN-Architektur mit Faltungs-, Pooling- und vollständig verbundenen Schichten:

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')
])

Das Modell kompilieren

Wir kompilieren das Modell mit:

• Verlustfunktion: Kategorische Kreuzentropie für die Klassifikation mehrerer Klassen.
• Optimierer: Adam-Optimierer für effizientes Lernen.
• Metriken: Genauigkeit zur Bewertung der Leistung.

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

Das Modell trainieren

Wir trainieren das Modell 10 Epochen lang mit den Trainingsdaten. Während des Trainings lernt das Modell, Bilder in Kategorien zu klassifizieren.

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

Das Modell evaluieren

Nach dem Training evaluieren wir das Modell anhand der Testdaten, um seine Genauigkeit zu überprüfen:

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

Vorhersagen erstellen

Wir können das trainierte Modell verwenden, um Vorhersagen für neue Bilder zu erstellen:

# 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]}")

Herausforderungen bei der Bildklassifizierung

Zu den häufigen Herausforderungen gehören:

• Overfitting: Das Modell erzielt bei den Trainingsdaten gute Ergebnisse, bei neuen Daten jedoch schlechte.
• Klassenungleichgewicht: Ungleichmäßige Verteilung der Kategorien im Datensatz.
• Rechenaufwand: Das Training tiefer Netzwerke erfordert erhebliche Ressourcen.

Zusammenfassung und nächste Schritte

In diesem Projekt haben wir:

• Eine CNN zur Bildklassifizierung mit dem CIFAR-10-Datensatz erstellt und trainiert.
• Gelernt, den Datensatz zu laden, vorzuverarbeiten und zu evaluieren.
• Herausforderungen bei Aufgaben der Bildklassifizierung besprochen.

Als Nächstes untersuchen wir Techniken zur Datenaugmentation, um die Modellleistung durch das Erzeugen von Variationen der Trainingsbilder zu verbessern.