Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, satu foto daun tomat diubah menjadi sembilan variasi berbeda, dipotong, diputar, dibalik, dan diubah warnanya, lewat pipeline data yang memuat semua citra ke memori sehingga satu epoch hanya butuh sekitar satu detik. Ayo kita mulai. Halo, selamat datang di episode kedua seri deteksi penyakit daun dengan transfer learning dan optimasi hyperparameter. Data kita hanya 140 foto latihan per kelas, sedikit untuk deep learning. Solusinya augmentasi, membuat variasi baru dari foto yang ada setiap epoch. Kita juga menyusun pipeline data yang efisien, karena di episode-episode berikutnya model akan dilatih berkali-kali, termasuk puluhan kali oleh Optuna.
Langkah 1: Transformasi latih & evaluasi
Buat file dataset underscore daun dot py. Pertama konstant rata-rata dan standar deviasi image net. Model pretrainet yang nanti kita pakai dilatih dengan normalisasi ini, jadi input kita harus dinormalisasi dengan cara yang sama. Lalu dua rangkaian transformasi torch vision. Agustus untuk data latih, random resize crop memotong acak 70-100% ria lalu mengubah ukuran ke 128 pixel, flip horizontal, rotasi sampai 20 derajat, dan color jitter yang mengubah kecerahan, kontras, dan saturasi. Eval untuk validasi dan uji tidak acak, resisi lalu potong tengah.
Langkah 2: Dataset di memori & DataLoader
Berikutnya kelas data daun. Di konstruktor semua citra dibuka sekali dan disimpan di memori, sehingga tidak perlu membaca file dari disk setiap e-pop. Augmentasi tetap diterapkan di getitem, jadi setiap e-pop model melihat variasi baru. Fungsi loader membuat data loader untuk bagian latih, validasi, atau uji, dan menyimpan dataset di cace. Parameter porsi memungkinkan memakai sebagian data latih, berguna saat optimasi dengan optuna nanti.
Langkah 3: Melihat hasil augmentasi
Sekarang buat file pipeline underscore daun.py untuk melihat hasil augmentasi. Kita ambil satu foto daun bercak septoria lalu terapkan Agustus 9 kali. Lihat, setiap variasi berbeda, posisi, sudut, ukuran, dan warnanya berubah, tetapi bercak penyakitnya tetap terlihat. Inilah prinsip augmentasi, mengubah tampilan tanpa mengubah label.
Langkah 4: Mengukur kecepatan pipeline
Terakhir kita ukur kecepatan pipeline. Baris pertama adalah waktu membaca 1400 file dari disk dalam satu e-pop. Dengan cace memori, citra cukup dimuat sekali di awal. Lalu setiap e-pop hanya sekitar 1 detik lebih sedikit, termasuk augmentasi, dan pelatihan kita akan mengulang e-pop berkali-kali. Angka persisnya tergantung kecepatan komputer dan bis Anda, dan pada dataset besar dengan foto resolusi tinggi selisihnya bisa berlipat-lipat. Back terakhir berisi 24 citra, karena 1400 tidak habis dibagi 32. Sedangkan back validasi berbentuk 32 citra, 3 kanal, 128x128.
Selesai!
Selesai. Kita sudah membuat augmentasi torch vision untuk citra down, normalisasi image net, dataset yang membuat citra ke memory, data loader, dan mengukur kecepatan pipeline. Di episode berikutnya kita masuk inti seri, transfer learning dengan mobile net V2 dan resnet 50 melalui feature extraction. Sedang menyusun skripsi, tesis, atau riset AI di bidang AI pertanian?
ye We | cedanostdigolom .
Cerdas inovasi digital membantu implementasi deep learning, dari transfer learning mobile net dan resnet, fine tuning, optimasi hyperparameter dengan optuna, sampai aplikasi web dan penulisan hasil, serta membuka kursus deep learning dengan Pythor. Ingin menguasai seluruh seri ini, dari dataset plan village sampai aplikasi web deteksi penyakit daun? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya. Terima kasih telah menonton,
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.281 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
