Projekt zur Bildklassifizierung

In diesem Projekt erstellen wir ein einfaches CNN, um Bilder Kategorien zuzuordnen. Bei der Bildklassifizierung wird die Kategorie oder Bezeichnung eines Eingabebildes vorhergesagt.

Datensatz für die Klassifizierung

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

Laden des Datensatzes

Wir laden den Datensatz CIFAR-10 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)

Erstellen des CNN-Modells

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')
])

Kompilieren des Modells

Wir kompilieren das Modell mit:

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

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

Trainieren des Modells

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

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

Evaluieren des Modells

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}%")

Erstellen von Vorhersagen

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

# 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: Die Kategorien sind im Datensatz ungleich repräsentiert.
• Rechenaufwand: Das Training tiefer Netzwerke erfordert erhebliche Ressourcen.

Zusammenfassung und nächste Schritte

In diesem Projekt haben wir:

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

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