Entraînez un classifieur d'images personnalisé
Certaines tâches de classification qui sont difficiles pour les humains s'avèrent assez faciles pour les réseaux neuronaux. Par exemple, beaucoup de gens ne se souviennent pas de la différence entre un chameau et un dromadaire. Un réseau neuronal peut vous aider en utilisant une procédure de peaufinage simple.
Dans Wolfram Neural Net Repository, il existe plusieurs modèles entraînés pour identifier l'objet principal dans une image. Voici un modèle qui a été entraîné sur le jeu de données de la classification ImageNet.
Dans son état original, il ne permet pas de différencier un chameau d'un dromadaire : un seul animal est présent dans les données de l'entraînement ImageNet.
Cependant, le modèle peut être ré-entraîné pour obtenir de meilleurs résultats dans cette tâche spécifique. Pour le ré-entraîner, enlevez les couches finales de classification et remplacez-les par un classifieur à deux classes.
De nouvelles données d'entraînement peuvent être recueillies à l'aide de WebImageSearch.
En utilisant NetTrain, le réseau est entraîné sur les nouvelles données, 10 % des données étant réservées aux mesures de validation. Seule la dernière couche de classification est entraînée.
Le nouveau modèle améliore considérablement la classification.
En utilisant la même procédure, ré-entraînez trois autres architectures de classification qui ont été entraînées sur ImageNet et comparez l'exactitude de la classification.
Pour une simple tâche comme celle-ci, la précision est similaire et il n'est pas nécessaire d'utiliser les modèles plus puissants et plus lents. Le petit ResNet est un bon compromis entre précision et vitesse.
