5 أنواع من تصنيف الزهور | ديسنت121 | مجموعة التدريب 0.98 | مجموعة الاختبار 0.95

برنامج تعليمي حول تصنيف الصور باستخدام التعلم بالنقل

ملخص

مرحباً بكم في هذا الدفتر حول تصنيف الصور باستخدام التعلم بالنقل! في هذا الدفتر، سوف نستكشف كيفية استخدام التعلم النقلي، وهي تقنية قوية في التعلم العميق، لحل مشكلة تصنيف الصور.

حول التعلم الانتقالي

التعلم الانتقالي هو أحد تقنيات التعلم الآلي التي تسمح بإعادة استخدام نموذج تم تدريبه على مهمة واحدة لتدريب مهمة ثانية ذات صلة. في سياق التعلم العميق، يستخدم التعلم الانتقالي نموذج شبكة عصبية مدرب مسبقًا كنقطة بداية لمهمة جديدة، بدلاً من تدريب نموذج من الصفر. يعد هذا النهج مفيدًا بشكل خاص عندما تكون موارد البيانات أو الحوسبة محدودة.

هدف

الهدف من هذا الدفتر هو توضيح كيفية استخدام التعلم بالنقل لإجراء تصنيف الصور على مجموعة بيانات من صور الزهور. سنستخدم شبكة عصبية ملتوية مدربة مسبقًا (CNN) كمستخرج للميزات ونبني مصنفًا مخصصًا في الأعلى للتنبؤ بأنواع الزهور.

مجموعة البيانات

سوف نستخدم "مجموعة بيانات تصنيف 5 أنواع من الزهور" المتوفرة على Kaggle. تحتوي مجموعة البيانات على صور لخمسة أنواع مختلفة من الزهور: الزنبق، واللوتس، والأوركيد، وعباد الشمس، والزنبق. يتم تصنيف كل صورة حسب نوع الزهرة المقابلة لها.

المنهجية

1. إعداد البياناتسنبدأ بإعداد مجموعة البيانات، بما في ذلك تحميل الصور، والمعالجة المسبقة، وتقسيمها إلى مجموعات التدريب والتحقق والاختبار.
2. بناء النماذج:بعد ذلك، سوف نقوم بتحميل CNN المدرب مسبقًا كنموذج أساسي، وإزالة الطبقات العلوية (التصنيف)، وإضافة طبقات مخصصة فوقها لبناء المصنف الخاص بنا.
3. يدرب:سنقوم بتدريب النموذج باستخدام التعلم بالنقل، وضبط أوزان الطبقات المخصصة مع الحفاظ على أوزان الطبقات المدربة مسبقًا مجمدة.
4. يقيم:وأخيرًا، سوف نقوم بتقييم أداء النموذج المدرب على مجموعة الاختبار وتصور النتائج.

الأدوات والمكتبات

يتم هنا استخدام لغة البرمجة Python والعديد من المكتبات، بما في ذلك TensorFlow وKeras وMatplotlib. توفر هذه المكتبات أدوات قوية للتعلم العميق وبناء النماذج والتصور.