moltean/fruits MultiClass Classification

Start-up

Per iniziare creare un nuovo enviroment di conda utilizzando i file all'interno della cartella requirements.

Successivamente far partire lo script datasetDownloader.py per scaricare e unzippare, tramite le API Kaggle, i dati che verranno utilizzati dalla rete.

Infine entrare nella cartella multi_class_classification e avviare image_classifier.py.

Context

Lo scopo ultimo della rete è di riuscire a classificare diversi tipi di frutta e dire a quale classe appartengono, le classi sono:

• Apple:

  • Braeburn;
  • Crimson;
  • Golden;
  • Granny;
  • Hit;
  • Pink Lady;
  • Red;
  • ...

• Cabbage:

• Carot;

• Cucumber;

• Eggplant;

• Pear;

• Zucchini.

Architecture

• Tipologia di rete: Classic CNN
• Funzione di attivatione: Non lineare/ReLU (Rectified Linear Unit);
• Funzione di loss: Cross-Entropy;
• Ottimizzatore: SGD (Stochastic Gradient Descent).

La scelta della loss function di tipo Cross-Entropy è dovuta al fatto che è particolarmente adatta per problemi di classificazione multiclasse, penalizzando fortemente le previsioni errate con alta confidenza e integra già Softmax. Per l'ottimizzatore si è deciso di usare SGD perchè efficiente e robusto nel trovare buone soluzioni.

Analysis & Experiments

Oltre alla rete e i suoi file potete trovare un file Notebook chiamato Dataset_Analysis.ipynb che mostra alcune informazioni sul dataset utilizzato.

Potete anche consultare i vari risultati ottenuti da diversi esperimenti come:

• addestramento per diversi numeri di epoche.
• addestramento con un diverso numero di layer.
• addestramento con diversi valori di learning rate.

Tutto nel file Report.md

Tensorboard

Utilizzando, all'interno della directory contenente i vari file, il seguente comando:

tensorboard --logdir=out/runs --port=6006 --reload_interval=1

sarà possibile visualizzare:

• l'andamento, durante il train, della loss per ciascun training step e la average loss su più step;
• le confusion matrix di train e validation.

Structure

root/
├── multi_class_classification/
│   ├── config/
│   │   ├── config.json             # File di configurazione che permette di modificare vari parametri del modello o di utilità
│   │   ├── config_schema.json      # Rappresenta come dovrebbe essere rappresentato il file: config.json
│   ├── nets/
│   │   ├── net.py                  # Base CNN
│   │   ├── net_deep.py             # Deep CNN
│   │   ├── net_wide.py             # Wide CNN
│   ├── out/
│   │   ├── ...                     # Modelli salvati e file per Tensorboard
│   ├── analyzer.py                 # Controlla quali classi sono sbilanciate
│   ├── balancer.py                 # Aggiunge immagini per compensare lo sblilanciamento delle classi trovate dall'analyzer.py
│   ├── config_helper.py            # Controlla, grazie a config_schema.json, se il file di configurazione è ben impostato
│   ├── custom_dataset_fruits.py    # Estrae le classi e assegna le label
│   ├── image_classifier.py         # File principale, serve per far partire l'addestramento e tutte le altri classi utils
│   ├── metrics.py                  # Calcola matrici di confusione, accuracy associata e altro ancora
│   ├── net_runner.py               # Inizializza la rete, la allena e la controlla
│   ├── visual_util.py              # Permette di scrivere in maniera più carina sulla console
├── requirements/
│   ├── ...                         # Files per il setup dell'ambiente CONDA
├── Dataset_Analysis.ipynb          # Analisi sul dataset
├── Report.md                       # Risultati ottenuti su vari test
├── ...