Pet Breed AI Model

link

GitHub - minibe0/DieKal

Contribute to minibe0/DieKal development by creating an account on GitHub.

https://github.com/minibe0/DieKal

모델 다운로드(colab with sohnminhee@gmail.com)

프로젝트 특징 및 목적

•

Intel AI 과정 프로젝트 1차 

◦

이미지 예측 모델 개발 참여

◦

개와 고양이의 이미지를 학습시켜서 품종을 예측하는 모델

프로젝트 상세

1. 데이터셋 (논문게재 비상업용 데이터셋 활용)

개+고양이 37종 품종 이미지 (7,390)

훈련 세트 이미지 수: 4729 검증 세트 이미지 수: 1183 테스트 세트 이미지 수: 1478

2. 이미지 전처리 증강

모델: Albumentations

3. 모델 구축

모델: ResNet50 (CNN 전이모델)

진행과정 : 사전 훈련된 ResNet50 모델을 불러오고, 새로운 상위 계층을 추가하여 분류를 수행GlobalAveragePooling2D 계층은 특성 맵의 공간적 차원을 축소, Dense 계층은 분류를 위한 특성을 학습하고, 마지막 계층에서는 softmax 활성화 함수를 사용하여 클래스 확률을 출력

모델 컴파일 단계에서는 adam 옵티마이저와 sparse_categorical_crossentropy 손실 함수를 사용

•

epoch20 수행

•

검증 및 테스트 성능 0.5이하 불균형

모델 테스트

성능 개선

튜닝: 이미지전치리 ,배치크기조정 (32→ 64) 및 가중치 감쇠 등

•

epoch 30 수행

•

검증: 약 0.8 (80%) / 테스트 :  약 0.75 (75%)

18/18 [==============================] - 4s 231ms/step - loss: 1.3558 - accuracy: 0.7526 Test Loss: 1.3558202981948853 Test Accuracy: 0.7526041865348816

모델 테스트

4.배포 프로그램

•

이미지 업로드 실행 시 품종 및 신뢰도 지수 제공 프로그램 구현

•

모델평가 시 보다 성능 신뢰도 높음(모델 성능 대비 약 20% 정확도 증가) 

원본

basset_hound_198.jpg

예측

앱 구

에필로그

•

데이터셋 확보된 상태에서 시작하게 되어 성능 튜닝 작업 위주로 진행함

•

모델 구축 후 데이터소실 문제 해결을 위해 .repeat() 추가 및 이미지 라이브러리 1차 변경(albumentations→ image generator) 실행→ 성능 개선 실패 후 라이브러리 복구함.

•

배치조정(32→64)후 실행 및 가중치 감쇠를 순차적으로 적용하여 성능개선 징후를 발결함

•

epoch 30회로 증회해서 실행하여 성능 개선함

•

튜닝 과정을 통한 학습, 가중치 감쇠를 효과가 인상적이었음

•

모델 활용을 하나의 아이템으로 전개하는 것도 프로젝트화 계획