лаба 2 мии
.docxМинистерство цифрового развития, связи и массовых коммуникаций Российской Федерации
Ордена трудового красного знамени федеральное государственное
бюджетное образовательное учреждение высшего образования
«Московский технический университет связи и информатики»
Кафедра МКиИТ
Лабораторная работа № 2
по дисциплине «Методы искусственного интеллекта»
Выполнила: студентка
Москва, 2024
Задание на лабораторную работу
Цель: Провести обучение сверточной нейронной сети архитектуры YOLOv8 (Nano) для сегментирования объектов на изображении (кошка, лягушка, попугай).
Ход работы
Данные
Датасет модели в universe.roboflow.com: https://universe.roboflow.com/project-esnb4/laba2-dghnm/dataset/3
Большая часть данных для датасета была взята с портала universe.roboflow.com. Для разметки и постобработки собранных данных также были использованы инструменты с ресурса roboflow.com.
Рисунок 1 - Датасет
Таблица 1 - Баланс классов
-
Train
Valid
Test
Cat
254
31
64
Frog
255
31
64
Parrots
255
34
61
Подготовка
Файл: https://colab.research.google.com/drive/1qPdyM4teOnYPZ88Nn3dH7mJUr1VQQcRQ
Рисунок 2 - Монтирование облачного хранилища для сохранения копии
Рисунок 3 - Переключение вычислительной среды на GPU
Обучение
Рисунок 4 - Код для первой итерации обучения
Пояснение гиперпараметров:
task - задача, которую будет выполнять модель (segment - сегментация)
mode - режим (train - обучение)
data - датасет
epochs - количество эпох в обучении
imgsz - ширина изображений в пикселях
Запускаем повторное обучение с учетом лучших весов.
Рисунки 5 - 6 - Код для второй итерации обучения
Рисунок 7 - Код развертывания модели
Аналитика
Рисунок 8 - Матрица ошибок 1 версии
Рисунок 9 - Матрица ошибок 2 версии
Рисунок 9 - Графики потерь 1 версии
Все графики удовлетворительны (тренировочные и валидационные графики снижаются с примерно одинаковой скоростью), кроме графика потерь маски (сильно отличаются друг от друга). Это связано с некорректной разметкой масок в датасете.
Рисунок 9 - Графики потерь 2 версии
Очевидно переобучение, т.к. валидационные потери сильно колеблются.
Рисунок 10 - Прогноз на валидации 1 версии
Рисунок 11 - Прогноз на валидации 2 версии
Рисунок 12 - Метрики валидации 1 версии
Рисунок 13 - Метрики валидации 1 версии
Инференс
Рисунки 14-15 - Результат работы
Повторно обученная модель:
https://universe.roboflow.com/project-esnb4/laba2-dghnm/model/4