Dipilih dari software, topik, dan level “Kelas Transfer Learning Penyakit Daun #3: Transfer Learning dengan MobileNetV2 & ResNet50: Feature Extraction”.
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, dua model raksasa yang sudah dilatih dengan jutaan foto ImageNet, MobileNet V2 dan ResNet 50, kita pakai ulang untuk mengenali penyakit daun tomat dengan melatih kurang dari 1% parameternya saja. Grafik membandingkan akurasi validasi keduanya. Ayo kita mulai. Halo, selamat datang di episode ketiga seri deteksi penyakit daun dengan transfer learning dan optimasi hyperparameter. Melatih CNN dari nol butuh data yang sangat banyak, padahal kita hanya punya 1.400 foto latih. Transfer learning adalah solusinya. Kita memakai model yang sudah belajar mengenali tepi, tekstur, dan bentuk dari jutaan foto ImageNet, lalu mengajarinya tugas baru. Di episode ini kita memakai cara pertama, Feature Extraction.
Langkah 1: Model pretrained & kepala baru
Buat file model underscore daun dot pey. Fungsi buat model memuat MobileNet V2 atau ResNet 50 dari Torch Vision lengkap dengan bobot ImageNet. Kepala klasifikasi aslinya punya 1000 kelas ImageNet, jadi kita ganti dengan dropout dan linier berukuran 10 kelas. Lalu semua parameter di badan model dibekukan dengan Requires Grad False. Inilah Feature Extraction. Badan model hanya mengekstrak fitur, yang dilatih hanya kepala baru.
Langkah 2: Fungsi buka blok & hitung parameter
Masih di file yang sama, dua fungsi pembantu. Buka blok akan kita pakai di episode berikutnya untuk fine tuning, yaitu mengaktifkan kembali beberapa blok terakhir badan model. Hitung para menghitung jumlah parameter total dan yang benar-benar dilatih.
Langkah 3: Fungsi pelatihan serbaguna
Sekarang buat file latih underscore daun dot pey. Fungsi akurasi menghitung ketepatan pada sebuah loader. Fungsi latih kita buat serba guna. Jumlah epoch, learning rate, scheduler, porsi data, weight decai, dan callback lapor. Optimizer Adam hanya menerima parameter yang Requires Grad, dan setiap kali akurasi validasi mencapai rekor, model disimpan. Fungsi inilah yang dipakai ulang di episode 4 dan 5. Bagian utama melatih kedua model selama 5 epoch, lalu menggambar kurva akurasi validasinya.
Langkah 4: Melatih MobileNetV2 & ResNet50
Jalankan. Mobile Net V2 punya 2,2 juta parameter, tapi yang dilatih hanya 12.810, 0,6%. ResNet 50 punya 23,5 juta parameter, dan yang dilatih hanya 20.000, 0,1%. Lihat hasilnya.
“oma 5: Membandingkan hasil
Mobile Net V2 mencapai akurasi validasi terbaik 75,7%, ResNet 50 74%, dan ResNet 50 sekitar 2 kali lebih lambat per e-pop. Untuk 10 kelas yang mirip, hasil ini sudah lumayan, tetapi belum cukup. Fitur ImageNet dipelajari dari foto benda sehari-hari, bukan bercap penyakit daun. Karena Mobile Net V2 lebih ringan, lebih cepat, dan sedikit lebih akurat, kita lanjutkan dengan Mobile Net V2. Selesai.
Selesai!
Kita sudah memakai model pretrained ImageNet dari TorchVision, mengganti kepala klasifikasi, membekukan badan model, dan membandingkan Mobile Net V2 dengan ResNet 50. Di episode berikutnya kita menaikkan akurasi secara signifikan dengan fine tuning lapisan atas dan learning rate scheduling. Sedang menyusun skripsi, tesis, atau riset AI di bidang AI pertanian? 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 PyTor. 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.
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
52 kelas video1.276 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.
