Progetto di classificazione delle immagini

In questo progetto realizzeremo una CNN semplice per classificare le immagini in categorie. La classificazione delle immagini consiste nel prevedere la categoria o l'etichetta di un'immagine di input.

Utilizzeremo il dataset CIFAR-10, che contiene 60.000 immagini suddivise in 10 categorie, tra cui aeroplani, automobili, uccelli e gatti. Ogni immagine misura 32×32 pixel e dispone di 3 canali di colore (RGB).

Caricheremo il dataset CIFAR-10 usando 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)

Definiremo un'architettura CNN con livelli convoluzionali, di pooling e completamente connessi:

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')
])

Compiliamo il modello con:

• Funzione di perdita: entropia incrociata categoriale per la classificazione multiclasse.
• Ottimizzatore: ottimizzatore Adam per un apprendimento efficiente.
• Metriche: accuratezza per valutare le prestazioni.

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

Addestriamo il modello utilizzando i dati di addestramento per 10 epoche. Durante l'addestramento, il modello impara a classificare le immagini in categorie.

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

Dopo l'addestramento, valutiamo il modello sui dati di test per verificarne l'accuratezza:

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

È possibile usare il modello addestrato per fare previsioni su nuove immagini:

# 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]}")

Le sfide più comuni includono:

• Overfitting: il modello funziona bene sui dati di addestramento, ma male sui nuovi dati.
• Sbilanciamento delle classi: rappresentazione non uniforme delle categorie nel dataset.
• Costo computazionale: l'addestramento di reti profonde richiede risorse considerevoli.

In questo progetto abbiamo:

• Creato e addestrato una CNN per la classificazione delle immagini usando il dataset CIFAR-10.
• Imparato a caricare, preprocessare e valutare il dataset.
• Discusso le sfide delle attività di classificazione delle immagini.

Successivamente esploreremo tecniche di data augmentation per migliorare le prestazioni del modello generando variazioni delle immagini di addestramento.