лаба 2 мии

Министерство 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