Transfer Learning Suite

Suite d'apprentissage par transfert à Keras

Nouvelles

Description

Ce référentiel sert de Transfer Learning Suite. L'objectif est de pouvoir facilement effectuer un apprentissage par transfert à l'aide de n'importe quel modèle de classification d'images Keras intégré ! Toutes les suggestions pour améliorer ce référentiel ou toute nouvelle fonctionnalité que vous aimeriez voir sont les bienvenues !

Vous pouvez également consulter ma suite de segmentation sémantique.

Modèles

Tous les modèles intégrés Keras sont disponibles :

Modèle	Taille	Précision de premier ordre	Précision Top 5	Paramètres	Profondeur
VGG16	528 Mo	0,715	0,901	138 357 544	23
VGG19	549 Mo	0,727	0,910	143 667 240	26
ResNet50	99 Mo	0,759	0,929	25 636 712	168
Xception	88 Mo	0,790	0,945	22 910 480	126
CréationV3	92 Mo	0,788	0,944	23 851 784	159
CréationResNetV2	215 Mo	0,804	0,953	55 873 736	572
MobileNet	17 Mo	0,665	0,871	4 253 864	88
DenseNet121	33 Mo	0,745	0,918	8 062 504	121
DenseNet169	57 Mo	0,759	0,928	14 307 880	169
DenseNet201	80 Mo	0,770	0,933	20 242 984	201
NASNetMobile	21 Mo	N / A	N / A	5 326 716	N / A
NASNetGrand	342 Mo	N / A	N / A	88 949 818	N / A

Fichiers et répertoires

• main.py : mode Entraînement et Prédiction

• utils.py : fonctions utilitaires d'assistance

• points de contrôle : fichiers de points de contrôle pour chaque époque pendant l'entraînement

• Prédictions : résultats des prévisions

Installation

Ce projet a les dépendances suivantes :

• Numpy sudo pip install numpy

• OpenCV Python sudo apt-get install python-opencv

• TensorFlow sudo pip install --upgrade tensorflow-gpu

• Keras sudo pip install keras

Usage

La seule chose que vous devez faire pour commencer est de configurer les dossiers dans la structure suivante :

 ├── "dataset_name"                   
|   ├── train
|   |   ├── class_1_images
|   |   ├── class_2_images
|   |   ├── class_X_images
|   |   ├── .....
|   ├── val
|   |   ├── class_1_images
|   |   ├── class_2_images
|   |   ├── class_X_images
|   |   ├── .....
|   ├── test
|   |   ├── class_1_images
|   |   ├── class_2_images
|   |   ├── class_X_images
|   |   ├── .....

Ensuite, vous pouvez simplement exécuter main.py ! Découvrez les arguments facultatifs de la ligne de commande :

 usage: main.py [-h] [--num_epochs NUM_EPOCHS] [--mode MODE] [--image IMAGE]
               [--continue_training CONTINUE_TRAINING] [--dataset DATASET]
               [--resize_height RESIZE_HEIGHT] [--resize_width RESIZE_WIDTH]
               [--batch_size BATCH_SIZE] [--dropout DROPOUT] [--h_flip H_FLIP]
               [--v_flip V_FLIP] [--rotation ROTATION] [--zoom ZOOM]
               [--shear SHEAR] [--model MODEL]

optional arguments:
  -h, --help            show this help message and exit
  --num_epochs NUM_EPOCHS
                        Number of epochs to train for
  --mode MODE           Select "train", or "predict" mode. Note that for
                        prediction mode you have to specify an image to run
                        the model on.
  --image IMAGE         The image you want to predict on. Only valid in
                        "predict" mode.
  --continue_training CONTINUE_TRAINING
                        Whether to continue training from a checkpoint
  --dataset DATASET     Dataset you are using.
  --resize_height RESIZE_HEIGHT
                        Height of cropped input image to network
  --resize_width RESIZE_WIDTH
                        Width of cropped input image to network
  --batch_size BATCH_SIZE
                        Number of images in each batch
  --dropout DROPOUT     Dropout ratio
  --h_flip H_FLIP       Whether to randomly flip the image horizontally for
                        data augmentation
  --v_flip V_FLIP       Whether to randomly flip the image vertically for data
                        augmentation
  --rotation ROTATION   Whether to randomly rotate the image for data
                        augmentation
  --zoom ZOOM           Whether to randomly zoom in for data augmentation
  --shear SHEAR         Whether to randomly shear in for data augmentation
  --model MODEL         Your pre-trained classification model of choice