Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Je vais créer un modèle de classification d'images
Scientifique des données
Je suis un Data Scientist analytique, orienté processus, avec une expérience pratique en machine learning, deep learning, séries temporelles, NLP et vision par ordinateur. J’ai une capacité avérée à t...
À propos de ce service
Principaux livrables du projet
- Prétraitement du dataset : Pipeline pour normaliser les images RGB brutes 32x32 dans une plage [0.0,1.0] et effectuer un encodage one-hot sur les cibles de classe avec to_categorical.
- Architecture du modèle CNN : Un modèle séquentiel comprenant trois blocs convolutionnels (32 et 64 filtres avec des noyaux 3x3 et activations ReLU) associés à des couches Max Pooling 2x2, suivis de couches de décision denses.
- Entraînement du modèle : Configuré avec l'optimiseur Adam et la perte Cross-Entropy catégorielle sur 10 epochs avec suivi en temps réel de la validation.
- Visualisation des performances : Inclut des fonctions personnalisées Matplotlib (plot_training_history) pour générer des graphiques côte à côte de la précision et de la perte en entraînement et validation.
- Code adaptable : Conçu pour être facilement réentraîné sur des datasets d'images personnalisés en modifiant les dimensions d'entrée, la profondeur du réseau ou des techniques de régularisation comme Dropout et Batch Normalization.
Mon portfolio
Autres services de Data science et machine learning I Offre
FAQ
Traduction automatique
Qu’est-ce que la classification d’images et comment ça fonctionne ?
La classification d’images est une tâche de vision par ordinateur où un algorithme prend une image en entrée et lui attribue une étiquette parmi un ensemble de catégories prédéfinies. Les modèles d'apprentissage profond apprennent des motifs tels que les bords, textures, formes et caractéristiques complexes pour prédire ce que représente l’image.
Quelles sont les architectures courantes pour la classification d’images ?
Réseaux de neurones convolutionnels (CNN) : des modèles comme ResNet, EfficientNet et MobileNet extraient des caractéristiques visuelles spatiales à l’aide de couches convolutionnelles. * Vision Transformers (ViTs) : ces modèles divisent les images en patches et les traitent avec des mécanismes d'attention, excellant sur de grands ensembles de données
Comment préparer les données d’image avant l’entraînement ?
* Normalisation : mettre à l’échelle les valeurs de pixels dans une plage [0,1] ou [−1,1]. * Redimensionnement : standardiser toutes les images à la dimension d’entrée attendue par le modèle (par exemple 224×224). * Augmentation de données : appliquer des rotations, flips et recadrages aléatoires pour réduire le surapprentissage et rendre le modèle plus robuste face à la variabilité du monde réel
Quelles fonctions de perte et métriques d’évaluation devrais-je utiliser ?
* Fonctions de perte : Cross-Entropy catégorielle pour la classification multi-classes (une seule étiquette par image) et Binary Cross-Entropy pour la classification multi-étiquettes (plusieurs étiquettes par image). * Métriques : utiliser la précision pour des datasets équilibrés. Utiliser la précision/rappel ou F1-Score si le dataset souffre d’un déséquilibre des classes
