Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/cgarciae/supervised-avanzado-cifar10
https://github.com/cgarciae/supervised-avanzado-cifar10
Last synced: 10 days ago
JSON representation
- Host: GitHub
- URL: https://github.com/cgarciae/supervised-avanzado-cifar10
- Owner: cgarciae
- License: mit
- Created: 2017-07-05T20:35:26.000Z (over 7 years ago)
- Default Branch: master
- Last Pushed: 2017-07-11T21:00:28.000Z (over 7 years ago)
- Last Synced: 2024-11-07T09:38:46.390Z (2 months ago)
- Language: Jupyter Notebook
- Size: 631 KB
- Stars: 0
- Watchers: 3
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Reto German Traffic Signs
## Descripcion
El [German Traffic Signs Dataset](http://benchmark.ini.rub.de/?section=gtsrb&subsection=news) es un conjunto de imágenes de señales de tránsito Alemanas.
![alt text][s1] ![alt text][s2] ![alt text][s3] ![alt text][s4] ![alt text][s5] ![alt text][s6] ![alt text][s7] ![alt text][s8] ![alt text][s9]
Este dataset tiene mas de 50,000 imágenes separadas en 43 clases. El reto es construir un clasificador de imágenes que sea capaz de reconocer estas señales de tránsito. Adicionalmente, el dataset incluye las posiciones (aka bounding boxes) de los objetos dentro de la imagen.
### Objetivo
1. Crear un algoritmo que tome una imagen de entrada, ya sea como vector o matriz, y retorne el clase (`class_id`) a la que pertenece esa imagen.
1. Entrenar este algoritmo utilizando los datos de la carpeta `data/training-set`.
1. Medir el performance/score del algoritmo utilizando los datos de la carpeta `data/test-set`. El performance debe ser medido como
```python
score = n_aciertos / n_imagenes * 100
```
donde `n_aciertos` es el numero de imagenes clasificadas de forma correcta y `n_imagenes` es el numero total de imagenes en el `test-set`.
### Requerimientos
Clona este repositorio y ejecuta el commando
```bash
git checkout feature/red-mediana
```
Despues puedes instalar los requirementos fácilmente utilizando el commando
```bash
pip install -r requirements.txt
```
Dependiendo de tu entorno puede que necesites instalar paquetes del sistema adicionales, si tienes problemas revisa la documentación de estas librerías.
### Descarga y Preprocesamiento
Para descargar los datos ejecuta el comando
```bash
dataget get german-traffic-signs
```
Esto descarga los archivos en la carpeta `.dataget/data`, los divide en los conjuntos `training-set` y `test-set`, convierte las imagenes en `jpg` de dimensiones `32x32`. Las originalmente vienen en formato `.ppm` y con dimensiones variables. Si deseas mantener el formato original ejecuta en vez
```bash
dataget get --dont-process german-traffic-signs
```
### Metodo
##### Modelo
Se utilizo una Red Neuronal Convolucional con la siguiente arquitectura:
* Inputs: 3 filtros (RGB)
* Conv2DBatchNorm(filtros: 96, kernel: [7, 7], padding: 'same', activation: ELU)
* DenseBlock(growth_rate: 12, depth: 6, bottleneck: 48, compression: 0.5, dropout: 0.2, activation: ELU)
* DenseBlock(growth_rate: 12, depth: 12, bottleneck: 48, compression: 0.5, dropout: 0.2, activation: ELU)
* AveragePooling2D(kernel: [2, 2], strides: 2)
* DenseBlock(growth_rate: 12, depth: 24, bottleneck: 48, compression: 0.5, dropout: 0.2, activation: ELU)
* AveragePooling2D(kernel: [2, 2], strides: 2)
* DenseBlock(growth_rate: 12, depth: 16, bottleneck: 48, compression: 0.5, dropout: 0.2, activation: ELU)
* GlobalAveragePooling
* Flatten
* DenseBatchNormLayer(units: 43, activation: softmax)
###### Parametros
Este modelo utiliza `747,728` parametros.
##### Entrenamiento
Se utilizo un Stocastic Gradient Descent con los siguente parametros
* Optimizador: ADAM
* Learning Rate: 0.001
* Batch Size: 64
###### Data Augmentation
Durante el entrenamiento las imagenes de cada bache fueron rotadas aleatoriamente un angulo entre `-15` y `15` grados.
##### Notas
No se intento optimizar el modelo de ninguna manera, en especial:
* No se utilizo busqueda de hiperparametros
* No se utilizo ningun metodo de regularizacion
* No se preprocesaron los datos de ninguna manera excepto estandarizar su tamaño de las imagenes a `32x32`
### Procedimiento
El modelo se encuentra en el archivo `model.py`. Para entrenarlo ejecuta el comando
```
python train.py --epochs 8000
```
Este script corre realiza lo siguiente
* Utiliza `seed = 32` para controlar la aleatoreidad y que los resultados sean reproducibles
* Entrena el modelo por `8000` iteraciones
### Resultados
Ver el score del `test-set` ejecuta
```
python test.py
```
Resultado: **0.982818685669**
### Visualizacion
El cuaderno de jupyter `solucion.ipynb` incluye visualizaciones de algunos resultados, para verlo ejecuta el comando
```bash
jupyter notebook .
```
y abrelo desde el explorador de archivos de jupyter.
[s1]: http://benchmark.ini.rub.de/Images/gtsrb/0.png "S"
[s2]: http://benchmark.ini.rub.de/Images/gtsrb/1.png "S"
[s3]: http://benchmark.ini.rub.de/Images/gtsrb/2.png "S"
[s4]: http://benchmark.ini.rub.de/Images/gtsrb/3.png "S"
[s5]: http://benchmark.ini.rub.de/Images/gtsrb/4.png "S"
[s6]: http://benchmark.ini.rub.de/Images/gtsrb/5.png "S"
[s7]: http://benchmark.ini.rub.de/Images/gtsrb/6.png "S"
[s8]: http://benchmark.ini.rub.de/Images/gtsrb/11.png "S"
[s9]: http://benchmark.ini.rub.de/Images/gtsrb/8.png "S"