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).

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.

[TODO] 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

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.