Классификация изображений на основе сверточных нейронных сетей

Входящие файлы

4140_CV_ЛР3_Строкова_AlexNet.ipynb - ноутбук с программным кодом на Python;

4140_CV_ЛР3_Строкова_ResNet50.ipynb - ноутбук с программным кодом на Python;

4140_CV_ЛР3_Строкова_VGG16.ipynb - ноутбук с программным кодом на Python;

Каталог "Изображения" - исходные изображения.

Постановка задачи

Цель работы: научиться создавать простые системы классификации изображений на основе сверточных нейронных сетей.

Базовый алгоритм: классификация.

Задание: на вход поступает два изображения: на вход поступает изображение, которое преобразуется в нужный для обработки моделью нейронной сети формат (тензор), выполняется предобработка (при необходимости – изменение размера и нормирование), затем обрабатывается с помощью нейронной сети и выводится результат (номер класса, название, вероятность для первых 5-ти наиболее вероятных классов).

Задачи:

реализовать систему классификации через AlexNet;

реализовать систему классификации через ResNet50;

реализовать систему классификации через VGG16;

сравнить качество работы, скорость и количество потребляемой памяти для каждой архитектуры.

Теоретическая база

Для решения задачи классификации изображений используются сверточные нейронные сети. Набор изображений следующий:

Выводы по работе

Проведена классификация пользовательского датасета изображений с использованием предобученных сверточных нейронных сетей: AlexNet, ResNet50, VGG16.

На вход подавались 50 фотографий (скачаны с сети Интернет и сделаны самостоятельно). На выходе алгоритм выдавал изображение, которое классифицировалось, и 5 вероятностей отнесения фотографии к определенному классу. Работа велась в Google Collab, при этом не использовались аппаратные ускорители.
Вычисление памяти:
from memory_profiler import memory_usage
print(memory_usage())

Архитектура	CPU times	Wall time	Память	Top1	Top5
AlexNet	77.3 ms	82.7 ms	759.9296875	78%	96%
ResNet50	459 ms	387 ms	1335.67578125	84%	96%
VGG16	2080 ms	1880 ms	1820.46875	86%	94%