نمونه کار طراحی، آموزش و بهینه‌سازی مدل های یادگیری عمیق برای طبقه‌بندی تصاویر

در این پروژه، یک مدل یادگیری عمیق برای طبقه‌بندی تصاویر طراحی، پیاده‌سازی و در چند فاز مختلف بهینه‌سازی شد. هدف اصلی پروژه، آموزش یک شبکه عصبی کانولوشنی (CNN) روی دیتاست CIFAR-10 و سپس استفاده از مدل آموزش‌دیده برای Transfer Learning و Fine-Tuning روی دیتاست‌های جدید بود. در فاز اول، یک معماری CNN سفارشی با محدودیت حداکثر ۱ میلیون پارامتر طراحی و روی دیتاست CIFAR-10 آموزش داده شد. در این بخش، تمرکز روی رسیدن به دقت مناسب با یک معماری بهینه و سبک بود. همچنین داده‌ها به‌صورت استاندارد به بخش‌های آموزش، اعتبارسنجی و تست تقسیم شدند و فرآیند Preprocessing به‌طور کامل روی تصاویر اعمال شد. در فاز دوم، برای جلوگیری از Overfitting و بهبود عملکرد مدل، از مجموعه‌ای از روش‌های مختلف استفاده شد؛ از جمله: Data Augmentation با چندین تکنیک مختلف تنظیم و مقایسه optimizerهای متفاوت Hyperparameter Tuning بررسی و تحلیل دقیق نتایج آموزش در حالت‌های مختلف در این مرحله، مدل نهایی با دقت بالاتر بهینه شد و بهترین نسخه برای فازهای بعدی ذخیره گردید. در فاز سوم، از مدل آموزش‌دیده برای Transfer Learning روی دیتاست‌های جدید استفاده شد. ابتدا مدل روی دیتاست Caltech-101 ارزیابی شد؛ به این صورت که ابتدا همه لایه‌ها فریز شدند و فقط لایه نهایی آموزش داده شد، سپس بخشی از لایه‌ها از حالت فریز خارج شده و مدل مجدداً آموزش دید. همین فرآیند برای دیتاست Dog, Cat, Horse Classification نیز تکرار شد تا عملکرد مدل در سناریوهای مختلف بررسی شود. در ادامه، چند مدل Pretrained مطرح شامل: ResNet50 MobileNetV2 EfficientNetB0 روی هر دو دیتاست جدید مورد استفاده قرار گرفتند و برای هر کدام فرآیند Fine-Tuning، تغییر لایه خروجی، تنظیم تعداد لایه‌های قابل آموزش و بهینه‌سازی پارامترها انجام شد تا بهترین نتیجه ممکن حاصل شود. برای تمامی مدل‌ها و در تمام فازها، خروجی‌ها به‌صورت کامل ارزیابی و تحلیل شدند. از جمله: رسم نمودارهای یادگیری Confusion Matrix ROC Curve محاسبه Precision، Recall و F1-Score نمایش نمونه تصاویر تست همراه با برچسب واقعی و پیش‌بینی‌شده این پروژه نمونه‌ای کامل از پیاده‌سازی Deep Learning برای طبقه‌بندی تصویر است که از مرحله طراحی مدل پایه تا استفاده از Transfer Learning و Fine-Tuning روی مدل‌های مطرح را شامل می‌شود. همچنین تمامی مراحل همراه با مستندسازی کامل و تحلیل نتایج انجام شده است.