Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

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: about 2 hours ago
JSON representation

Net and config file to create a ML model for classifying

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). 



## Structure

La rete e i file di configurazione/utilità sono all'interno della cartella *multi_class_classification*, di seguito la spiegazione dei file o directory più importanti:



### config directory

In questa cartella sono presenti:

- config.json: file di configurazione che permette di modificare vari parametri del modello o di utilità;

- config_schema.json: tramite questo file andremo a controllare che i valori inseriti nel file precedente siano corretti.



### nets directory

Qui vengono inserite le reti che vogliamo usare, basta inserire il nome nel file di configurazione per scegliere quella da addestrare; poi verrà presa dinamicamente dal *net_runner.py*.



### out directory

Qui vengono salvati i modelli addestrati tramite *image_classifier.py*, possiamo trovare:

- Modello migliore;

- Ultimo modello;



### image_classifier.py

File principale, si occupa di controllare/caricare il file di config, grazie a *config_helper.py*, e far partire le varie classi spiegate successivamente; in base alla configurazione in *config.json* decide se far partire l'analyzer e il balancer.



### analyzer.py

File con il compito di controllare quali classi sono sbilanciate, andato a controllare se per ogni cartella ci sono meno file rispetto a quelli della classe più grande.



Stampa anche la distribuzione delle classi e quante immagini ci sono al momento per classe.



### balancer.py

Prende dall'analyzer quali classi sono sbilanciate e aggiunge tante immagini quante ne sono richieste per bilanciare il tutto. Per farlo applica delle trasformazioni randomiche alle varie immagini (come rotazioni e traslazioni).



### custom_dataset_fruits.py

FIle con il compito di estrarre le classi e dare le label alle immagini del dataset.



Nel dettaglio:

- tramite il parametro *skip* si evita il controllo delle directory se fatto già dall'analyzer;

- in *\__getitem__*: aggiunta la conversione in PIL Image;

- in *__find_classes_and_labels*: visto la struttura del dataset la funzione rimuove anche i numeri evitando duplicati che prima non venviano individuati;



### net_runner.py

FIle con il compito di inizializzare la rete, allenarla e controllarla.



Nel dettaglio:

- *__get_net*: la rete viene presa dinamicamente in base a ciò che è inserito nel file di configurazione.