Projek Pengelasan Imej

Kita akan memuatkan set 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)

Kita akan mentakrifkan seni bina CNN dengan lapisan konvolusi, pengumpulan dan bersambung 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')
])

Kami compile model dengan:

• Fungsi Kehilangan: Silang entropi kategori untuk pengelasan berbilang kelas.
• Pengoptimum: Pengoptimum Adam untuk pembelajaran yang cekap.
• Metrik: Ketepatan untuk menilai prestasi.

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

Kita melatih model menggunakan data latihan selama 10 epok. Semasa latihan, model belajar mengelaskan imej mengikut kategori.

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

Selepas latihan, kami menilai model pada data ujian untuk menyemak ketepatannya:

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

Kami boleh menggunakan model yang telah dilatih untuk membuat ramalan pada imej baharu:

# 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]}")

Cabaran yang lazim termasuk:

• Padanan Berlebihan: Model berprestasi baik pada data latihan tetapi lemah pada data baharu.
• Ketidakseimbangan Kelas: Perwakilan kategori yang tidak seimbang dalam set data.
• Kos Pengiraan: Latihan rangkaian mendalam memerlukan sumber yang banyak.

Dalam projek ini, kami:

• Membina dan melatih CNN untuk pengelasan imej menggunakan set data CIFAR-10.
• Mempelajari cara memuatkan, memproses awal dan menilai set data.
• Membincangkan cabaran dalam tugasan pengelasan imej.

Seterusnya, kami akan meneroka teknik pengayaan data untuk meningkatkan prestasi model dengan menjana variasi imej latihan.