Progetto di classificazione delle immagini

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

Dataset per la classificazione

Utilizzeremo il dataset CIFAR-10, costituito da 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).

Caricamento del dataset

Caricheremo il dataset CIFAR-10 utilizzando 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)

Costruzione del modello CNN

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')
])

Compilazione del modello

Compileremo 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'])

Addestramento del modello

Addestreremo 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))

Valutazione del modello

Dopo l'addestramento, valuteremo 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}%")

Effettuare previsioni

Possiamo utilizzare il modello addestrato per effettuare 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]}")

Sfide nella classificazione delle immagini

Tra le sfide più comuni troviamo:

• 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 significative.

Riepilogo e prossimi passi

In questo progetto abbiamo:

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

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