Цей проєкт представляє собою згорткову нейронну мережу для класифікації зображень з використанням датасету CIFAR-10. Метою проєкту є навчання моделі розпізнавати 10 класів зображень (літаки, автомобілі, птахи, коти, олені, собаки, жаби, коні, кораблі та вантажівки) та реалізація веб-інтерфейсу для її використання.
- Клонуйте репозиторій:
git clone https://github.com/valeri7122/Project_Data_Science_team2.git
- Перейдіть до директорії проєкту:
cd Project_Data_Science_team2
- Встановіть необхідні залежності:
pip install -r requirements.txt
- Запустіть веб-інтерфейс:
python main.py
Відкрийте браузер та перейдіть до:
http://localhost:8000
Завантажте зображення, натиснувши на кнопку "Choose File"
Після завантаження зображення, натисніть кнопку "Classify" для класифікації.
Результат класифікації буде показаний під зображенням.
Згорткова нейронна мережа з методом виділення ознак має наступну архітектуру:
- Згортковий шар з 32 фільтрами розміром (3, 3) та функцією активації ReLU.
- Шар підвибірки з максимальним зведенням з розміром підвибірки (2, 2).
- Згортковий шар з 64 фільтрами розміром (3, 3) та функцією активації ReLU.
- Шар підвибірки з максимальним зведенням з розміром підвибірки (2, 2).
- Згортковий шар з 128 фільтрами розміром (3, 3) та функцією активації ReLU.
- Повнозв'язний шар з 512 нейронами та функцією активації ReLU.
- Випадковий Dropout (0.2) для зменшення перенавчання.
- Повнозв'язний шар з 256 нейронами та функцією активації ReLU.
- Випадковий Dropout (0.2).
- Повнозв'язний шар з 10 нейронами та функцією активації softmax для класифікації.
Згорткова нейронна мережа з методом донавчання має наступну архітектуру:
-
Згортковий шар з 32 фільтрами розміром (3, 3) та функцією активації ReLU.
-
Шар підвибірки з максимальним зведенням з розміром підвибірки (2, 2).
-
Згортковий шар з 64 фільтрами розміром (3, 3) та функцією активації ReLU.
-
Шар підвибірки з максимальним зведенням з розміром підвибірки (2, 2).
-
Згортковий шар з 128 фільтрами розміром (3, 3) та функцією активації ReLU.
-
Повнозв'язний шар з 256 нейронами та функцією активації ReLU.
-
Повнозв'язний шар з 10 нейронами та функцією активації softmax для класифікації.
-
Включенні у донавчання шари block4_conv1, block5_conv1 мережі VGG16
Графік точності
Графік втрат
Результати роботи моделі на тестових даних
Графіки показують точність та втрати моделі на тренувальних, тестових та валідаційних даних протягом навчання.
Покриття тестами
Даний проєкт є контейнеризованим в Docker. Ви можете побудувати контейнерний образ самостійно за допомогою команди:
docker build -t your-dockerhub-username/your-image-name:tag .
Або завантажити готовий образ з DockerHub який запускає WEB додаток:
docker pull sunriseuk/dsteamworkweb:final
Для запуску контейнера:
docker run -p 8000:8000 sunriseuk/dsteamworkweb:final
Для зручності використання додана можливість використання Telegram бота.
Перейдіть за посиланням
https://t.me/PicRec_AI_bot
Завантажте зображення та отримайте результат класифікації
Також ви маєте можливість налаштувати ваш бот для роботи з моделлю.
Для цого вкажіть API вашого бота у файлі config.py
Після цього запустіть
python telegram_bot.py
- main.py: Веб-інтерфейс для класифікації зображень
- model.ipynb: Ноутбук з кодом нейромережі та навчанням
- weights.h5: Збережені ваги навченої моделі
- requirements.txt: Залежності проєкту
- telegram_bot.py Telegram бот
- README.md: Цей файл
Валерій Третяков
GitHub: Valeri
LinkedIn: Валерій Третяков
Сергій Підкопай
GitHub: SSP0d
LinkedIn: Serhii Pidkopai
Микола Присташ
Mykola Prystash
GitHub: Sunriseuk
LinkedIn: Mykola Prystash
Василь Глущенко
GitHub: Vasyl-Hlushchenko
LinkedIn: Vasiliy Hlushchenko
Цей проєкт має ліцензію MIT - дивись LICENSE файл для деталей.