https://github.com/matteocalvanico/multiclass-classification
Net and config file to create a ML model for classifying
https://github.com/matteocalvanico/multiclass-classification
machine-learning multiclass-classification pytorch
Last synced: 26 days ago
JSON representation
Net and config file to create a ML model for classifying
- Host: GitHub
- URL: https://github.com/matteocalvanico/multiclass-classification
- Owner: MatteoCalvanico
- License: mit
- Created: 2024-08-21T14:39:10.000Z (11 months ago)
- Default Branch: main
- Last Pushed: 2025-01-26T13:41:41.000Z (6 months ago)
- Last Synced: 2025-01-26T14:27:55.495Z (6 months ago)
- Topics: machine-learning, multiclass-classification, pytorch
- Language: Jupyter Notebook
- Homepage:
- Size: 20.3 MB
- Stars: 1
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# moltean/fruits MultiClass Classification
## Start-up
Per iniziare creare un nuovo enviroment di conda utilizzando i file all'interno della cartella *requirements*.
Successivamente far partire lo script *datasetDownloader.py* per scaricare e unzippare, tramite le API Kaggle, i dati che verranno utilizzati dalla rete.
Infine entrare nella cartella *multi_class_classification* e avviare *image_classifier.py*.
## Context
Lo scopo ultimo della rete è di riuscire a classificare diversi tipi di frutta e dire a quale classe appartengono, le classi sono:
- Apple:
- Braeburn;
- Crimson;
- Golden;
- Granny;
- Hit;
- Pink Lady;
- Red;
- ...
- Cabbage:
- Carot;
- Cucumber;
- Eggplant;
- Pear;
- Zucchini.
## Architecture
- Tipologia di rete: Classic CNN
- Funzione di attivatione: Non lineare/ReLU (Rectified Linear Unit);
- Funzione di loss: Cross-Entropy;
- Ottimizzatore: SGD (Stochastic Gradient Descent).
La scelta della loss function di tipo *Cross-Entropy* è dovuta al fatto che è particolarmente adatta per problemi di classificazione multiclasse, penalizzando fortemente le previsioni errate con alta confidenza e integra già Softmax.
Per l'ottimizzatore si è deciso di usare *SGD* perchè efficiente e robusto nel trovare buone soluzioni.
## Analysis & Experiments
Oltre alla rete e i suoi file potete trovare un file Notebook chiamato *Dataset_Analysis.ipynb* che mostra alcune informazioni sul dataset utilizzato.
Potete anche consultare i vari risultati ottenuti da diversi esperimenti come:
- addestramento per diversi numeri di epoche.
- addestramento con un diverso numero di layer.
- addestramento con diversi valori di learning rate.
Tutto nel file *Report.md*
## Tensorboard
Utilizzando, all'interno della directory contenente i vari file, il seguente comando:
```sh
tensorboard --logdir=out/runs --port=6006 --reload_interval=1
```
sarà possibile visualizzare:
- l'andamento, durante il train, della *loss* per ciascun training step e la *average loss* su più step;
- le **confusion matrix** di train e validation.
## Structure
```
root/
├── multi_class_classification/
│ ├── config/
│ │ ├── config.json # File di configurazione che permette di modificare vari parametri del modello o di utilità
│ │ ├── config_schema.json # Rappresenta come dovrebbe essere rappresentato il file: config.json
│ ├── nets/
│ │ ├── net.py # Base CNN
│ │ ├── net_deep.py # Deep CNN
│ │ ├── net_wide.py # Wide CNN
│ ├── out/
│ │ ├── ... # Modelli salvati e file per Tensorboard
│ ├── analyzer.py # Controlla quali classi sono sbilanciate
│ ├── balancer.py # Aggiunge immagini per compensare lo sblilanciamento delle classi trovate dall'analyzer.py
│ ├── config_helper.py # Controlla, grazie a config_schema.json, se il file di configurazione è ben impostato
│ ├── custom_dataset_fruits.py # Estrae le classi e assegna le label
│ ├── image_classifier.py # File principale, serve per far partire l'addestramento e tutte le altri classi utils
│ ├── metrics.py # Calcola matrici di confusione, accuracy associata e altro ancora
│ ├── net_runner.py # Inizializza la rete, la allena e la controlla
│ ├── visual_util.py # Permette di scrivere in maniera più carina sulla console
├── requirements/
│ ├── ... # Files per il setup dell'ambiente CONDA
├── Dataset_Analysis.ipynb # Analisi sul dataset
├── Report.md # Risultati ottenuti su vari test
├── ...
```