Proyek Klasifikasi Gambar

Dalam proyek ini, kita akan membuat CNN sederhana untuk mengklasifikasikan gambar ke dalam beberapa kategori. Klasifikasi gambar melibatkan prediksi kategori atau label dari sebuah gambar input.

Kumpulan Data untuk Klasifikasi

Kita akan menggunakan kumpulan data CIFAR-10, yang terdiri atas 60.000 gambar dalam 10 kategori, seperti pesawat, mobil, burung, dan kucing. Setiap gambar berukuran 32×32 piksel dan memiliki 3 kanal warna (RGB).

Memuat Kumpulan Data

Kita akan memuat kumpulan data CIFAR-10 menggunakan 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)

Membangun Model CNN

Kita akan menentukan arsitektur CNN dengan lapisan konvolusi, penyatuan, dan terhubung penuh:

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')
])

Mengompilasi Model

Kita mengompilasi model dengan:

• Fungsi Kerugian: Entropi silang kategoris untuk klasifikasi multikelas.
• Pengoptimal: Pengoptimal Adam untuk pembelajaran yang efisien.
• Metrik: Akurasi untuk mengevaluasi kinerja.

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

Melatih Model

Kita melatih model menggunakan data pelatihan selama 10 putaran. Selama pelatihan, model belajar mengklasifikasikan gambar ke dalam beberapa kategori.

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

Mengevaluasi Model

Setelah pelatihan, kita mengevaluasi model menggunakan data pengujian untuk memeriksa akurasinya:

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

Membuat Prediksi

Kita dapat menggunakan model yang telah dilatih untuk membuat prediksi pada gambar baru:

# 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]}")

Tantangan dalam Klasifikasi Gambar

Tantangan yang umum meliputi:

• Penyesuaian Berlebihan: Model bekerja dengan baik pada data pelatihan, tetapi buruk pada data baru.
• Ketidakseimbangan Kelas: Representasi kategori yang tidak seimbang dalam kumpulan data.
• Biaya Komputasi: Melatih jaringan dalam memerlukan sumber daya yang besar.

Ringkasan dan Langkah Berikutnya

Dalam proyek ini, kita:

• Membuat dan melatih CNN untuk klasifikasi gambar menggunakan kumpulan data CIFAR-10.
• Mempelajari cara memuat, melakukan prapemrosesan, dan mengevaluasi kumpulan data.
• Membahas tantangan dalam tugas klasifikasi gambar.

Selanjutnya, kita akan mempelajari teknik augmentasi data untuk meningkatkan kinerja model dengan menghasilkan variasi gambar pelatihan.