Waa wax lagu kalsoonaan karo in aan ogaano in aan ku guuleysanay in aan ku dhejino robots annagoo adeegsanayna awoodeena dhalanteedka ah si aan u barano tusaale ahaan oo aan u ogaano agagaarkooda. Caqabadda aasaasiga ah waa kuwa baraya kombuyuutarrada inay "u arkaan" sida dadku u baahan yihiin waqti iyo dadaal dheeraad ah.
Si kastaba ha ahaatee, marka aan tixgelinno qiimaha dhabta ah ee xirfaddani ay hadda siiso ururada iyo shirkadaha, dadaalka waa mid mudan. Maqaalkan, waxaad ku baran doontaa wax ku saabsan kala soocidda sawirka, sida uu u shaqeeyo, iyo dhaqangelintiisa la taaban karo. Aan bilowno.
Waa maxay kala soocidda sawirku?
Shaqada quudinta sawirka a shabakada neuralada iyo in ay soo saarto nooc ka mid ah calaamadda sawirkaas waxa loo yaqaan aqoonsiga sawirka. Summada wax soo saarka shabakadu waxay u dhigantaa fasal horay loo sii qeexay.
Waxaa laga yaabaa inay jiraan fasallo badan oo loo qoondeeyay sawirka, ama mid fudud. Marka uu jiro hal fasal oo kaliya, ereyga "aqoonsiga" ayaa badanaa la isticmaalaa, halka marka ay jiraan fasallo badan, ereyga "kala soocidda" ayaa badanaa la isticmaalaa.
Ogaanshaha shayga waa qayb ka mid ah kala soocida sawirka kaas oo xaalado gaar ah oo walxaha lagu ogaado inay ka tirsan yihiin fasalka la bixiyay sida xayawaanka, baabuurta, ama aadanaha.
Sidee bay u kala soocidda sawirku u shaqeysaa?
Sawirka qaabka pixels waxaa lagu falanqeeyaa kombuyuutar. Waxa ay tan ku fulisaa iyada oo sawirka ula dhaqmaysa sida ururinta maaddooyinka, kaas oo cabbirkiisa lagu go'aamiyo xallinta sawirka. Si fudud marka loo hadlo, kala-soocidda sawirku waa daraasadda xogta tirakoobka iyadoo la adeegsanayo algorithm-yada dhinaca kombuyuutarka.
Kala soocidda sawirka waxaa lagu dhammeeyaa habaynta sawirka dhijitaalka ah iyadoo la isu geeyo pixels kooxo horay loo go'aamiyay, ama "classes." Algorithms-yadu waxay u qaybiyaan sawirka isku xigxiga sifooyin xusid mudan, taas oo yaraynaysa culayska soociyaha ugu dambeeya.
Tayadani waxay ogeysiiyaan kala soocida macnaha sawirka iyo kala saarista suurtagalka ah. Sababtoo ah inta kale ee hababka kala soocida sawirku waxay ku xiran yihiin, habka soo saarista dabeecadda ayaa ah marxaladda ugu xasaasisan.
The xogta la bixiyay Algorithm-ka ayaa sidoo kale muhiim u ah soocidda sawirka, gaar ahaan soocidda la kormeero. Marka la barbardhigo xog-ururinta xun ee leh isku dheelitir la'aanta xogta ee ku salaysan fasalka iyo sawirka hoose iyo tayada tafatirka, xogta kala soocida si wanaagsan loo hagaajiyay ayaa u shaqeysa si cajiib ah.
Kala soocida sawirka iyadoo la adeegsanayo Tensorflow & Keras gudaha Python
Waxaan isticmaali doonaa CIFAR-10 dataset (oo ay ku jiraan diyaarado, diyaarado, shimbiro, iyo 7 shay oo kale).
1. Shuruudaha Rakibaadda
Koodhka hoose ayaa rakibi doona dhammaan shuruudaha.
2. Ku tiirsanaanta soo dejinta
Ku samee faylka train.py Python. Koodhka hoose wuxuu soo dejin doonaa ku tiirsanaanta Tensorflow iyo Keras.
3. Bilowga cabbirada
CIFAR-10 waxaa ku jira kaliya 10 qaybood oo sawir ah, markaa fasalada lambarku waxay si fudud u tixraacaan tirada qaybaha si loo kala saaro.
4. Soo dejinta xogta
Shaqadu waxay isticmaashaa moduleka Tensorflow Datasets si ay ugu shubto kaydka xogta, waxaanan u dejinay macluumaadka Run si aan u helno macluumaad ku saabsan. Waad daabacan kartaa si aad u aragto qaybaha iyo qiyamkooda, waxaanan u isticmaali doonaa macluumaadka si aan u soo saarno tirada muunadaha ee tababarka iyo imtixaanada.
5. Samaynta qaabka
Hadda waxaan dhisi doonaa saddex lakab, mid kastaa wuxuu ka kooban yahay laba ConvNets oo leh max-pooling iyo ReLU function activation, oo ay ku xigto nidaam 1024-cutub ah oo si buuxda ugu xidhan. Marka la barbardhigo ResNet50 ama Xception, kuwaas oo ah moodooyinka casriga ah, tani waxay noqon kartaa moodel marka la barbardhigo.
6. Tababarka qaabka
Waxaan u adeegsaday Tensorboard si aan u cabbiro saxnaanta iyo luminta xilli kasta oo aan na siiyo muuqaal qurxoon ka dib soo dejinta xogta iyo soo saarista moodalka. Ku socodsii koodka soo socda; iyadoo ku xiran CPU/GPU-gaaga, tababarku wuxuu qaadan doonaa dhowr daqiiqo.
Si aad u isticmaasho tensorboard, kaliya ku qor taliska soo socda terminalka ama amarka degdega ah ee tusaha hadda:
Waxaad arki doontaa in luminta ansaxinta ay sii yaraanayso saxnaduna ay kor ugu kacayso ilaa 81%. Taasi waa cajiib!
Tijaabada tusaalaha
Marka tababarka la dhammeeyo, qaabka ugu dambeeya iyo miisaanka ayaa lagu keydiyaa galka natiijada, taasoo noo ogolaaneysa inaan hal mar tababarno oo aan saadaal ka bixinno mar kasta oo aan dooranno. Raac koodka faylka Python cusub oo la yiraahdo test.py.
7. Soo dejinta agabka tijaabada
8. Samaynta hagaha Python
Samee qaamuuska Python kaaso u tarjuma qiyam kasta oo isugeyn kasta calaamadda ku haboon ee xogta:
9. Soodejinaya xogta imtixaanka & qaabka
Koodhkan soo socda ayaa ku shubi doona xogta imtixaanka iyo qaabka.
10. Qiimaynta & Saadaasha
Koodhkan soo socda ayaa qiimayn doona oo saadaalin doona sawirada raha.
11. Natiijooyinka
Qaabku wuxuu saadaaliyay raha 80.62% saxsanaanta.
Ugu Dambeyn
Hagaag, waanu dhammaysannay casharkan. Halka 80.62% aysan u fiicnayn CNN-yar, waxaan si adag kuugula talinayaa inaad beddesho moodalka ama aad eegto ResNet50, Xception, ama moodooyinka kale ee goynta si loo helo natiijooyin wanaagsan.
Hadda oo aad ka dhistay shabakadda aqoonsiga sawirka ugu horreysa ee Keras, waa inaad tijaabisaa moodalka si aad u ogaato sida cabbirrada kala duwani u saameeyaan waxqabadkiisa.
Leave a Reply