Jupyter Notebook sur le git. Plus ou moins mis-à-jours.
#############
- On va encore une fois utiliser un réseaux de neuronnes Xception, pré trained sur ImagesNet.
- Il reste cependant le problème des labels des différentes centres :
-
https://www.ijabe.org/index.php/ijabe/issue/view/70 : article "High performance vegetable classification from images based on AlexNet deep learning model" par Ling Zhu, Zhenbo Li, Chen Li, Jing Wu et Jun Yue. En s'inspirant de cet article, nous allons pouvoir faire deux choses qui vont grandement nous aider :
-
- utiliser des images en plus de la base de données ImagesNet (https://fr.wikipedia.org/wiki/ImageNet).
-
- Réutiliser les premières couches entrainées(!) du réseaux de neuronnes AlexNet (https://en.wikipedia.org/wiki/AlexNet) et en les gelant lors de l'apprentissage de notre dataset. Via une utilisation simple d'AlexNet, le papier précédent obtient une précision de 92.1% pour 5 catégories de légumes : "broccoli, pumpkin, cauliflower, mushrooms and cucumber". En réutilisant les premières couches, en réduisant le nombre de catégories à deux, ainsi qu'en utilisant en plus notre dataset réalisé dans des exploitations de choux-fleurs, les résultats atteignables sont excellents.
-
L'implémentation réalisée du réseaux de neurones se trouve dans le dossier NN-classification sous le nom cauliflower-alexnet-v1.py.
-
Les paramètres utilisés se trouvent dans cauliflower-nn-args.py.
-
Les différentes images et vidéos se trouvent dans le fichier data du drive. Pour augmenter la taille du dataset (ensemble des images), on va pouvoir utiliser les différentes fonctions suivantes :
import tensorflow as tf
image = tf.image.flip_left_right(image)
image = tf.image.flip_up_down(image)
image = tf.image.flip_up_down(tf.image.flip_left_right(image))
image = tf.image.random_brightness(image,alpha)
image = tf.image.random_contrast(image,minContrast,maxContrast)
image = tf.image.random_jpeg_quality(image,min,max)
image = tf.image.random_saturation(image,minSat,maxSat)- Résumé du modèle utilisé :
_________________________________________________________________
Layer (type) Output Shape Param #
_________________________________________________________________
conv2d_1 (Conv2D) (None, 54, 54, 96) 34944
_________________________________________________________________
activation_1 (Activation) (None, 54, 54, 96) 0
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 27, 27, 96) 0
_________________________________________________________________
batch_normalization_1 (Batch (None, 27, 27, 96) 384
_________________________________________________________________
conv2d_2 (Conv2D) (None, 23, 23, 256) 614656
_________________________________________________________________
activation_2 (Activation) (None, 23, 23, 256) 0
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 11, 11, 256) 0
_________________________________________________________________
batch_normalization_2 (Batch (None, 11, 11, 256) 1024
_________________________________________________________________
conv2d_3 (Conv2D) (None, 9, 9, 384) 885120
_________________________________________________________________
activation_3 (Activation) (None, 9, 9, 384) 0
_________________________________________________________________
batch_normalization_3 (Batch (None, 9, 9, 384) 1536
_________________________________________________________________
conv2d_4 (Conv2D) (None, 7, 7, 384) 1327488
_________________________________________________________________
activation_4 (Activation) (None, 7, 7, 384) 0
_________________________________________________________________
batch_normalization_4 (Batch (None, 7, 7, 384) 1536
_________________________________________________________________
conv2d_5 (Conv2D) (None, 5, 5, 256) 884992
_________________________________________________________________
activation_5 (Activation) (None, 5, 5, 256) 0
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 2, 2, 256) 0
_________________________________________________________________
batch_normalization_5 (Batch (None, 2, 2, 256) 1024
_________________________________________________________________
flatten_1 (Flatten) (None, 1024) 0
_________________________________________________________________
dense_1 (Dense) (None, 4096) 4198400
_________________________________________________________________
activation_6 (Activation) (None, 4096) 0
_________________________________________________________________
dropout_1 (Dropout) (None, 4096) 0
_________________________________________________________________
batch_normalization_6 (Batch (None, 4096) 16384
_________________________________________________________________
dense_2 (Dense) (None, 4096) 16781312
_________________________________________________________________
activation_7 (Activation) (None, 4096) 0
_________________________________________________________________
dropout_2 (Dropout) (None, 4096) 0
_________________________________________________________________
batch_normalization_7 (Batch (None, 4096) 16384
_________________________________________________________________
dense_3 (Dense) (None, 1000) 4097000
_________________________________________________________________
activation_8 (Activation) (None, 1000) 0
_________________________________________________________________
dropout_3 (Dropout) (None, 1000) 0
_________________________________________________________________
batch_normalization_8 (Batch (None, 1000) 4000
_________________________________________________________________
dense_4 (Dense) (None, 2) 2002
_________________________________________________________________
activation_9 (Activation) (None, 2) 0
Total params: 28,868,186
Trainable params: 28,847,050
Non-trainable params: 21,136
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent