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, kurva akurasi mobile NetV2 yang tertahan di sekitar 75% saat feature extraction, lalu melonjak sampai 92,7% setelah fine-tuning, dengan learning rate yang turumulus mengikuti cosine annealing. Ayo kita mulai. Halo, selamat datang di episode keempat seri deteksi penyakit daun dengan transfer learning dan optimasi hyperparameter. Di episode sebelumnya badan model kita bekukan, dan akurasi tertahan di sekitar 75%, karena fitur ImageNet belum mengenal bercah penyakit daun. Hari ini kita melakukan cara kedua transfer learning, fine-tuning, membuka beberapa blok atas supaya fiturnya ikut menyesuaikan diri dengan daun tomat.
Langkah 1: Membuka blok atas
Buat file vnetune underscore daun dot paye. Kita buat mobile NetV2 lalu memuat bobot hasil feature extraction dari episode sebelumnya, jadi kepala klasifikasinya sudah terlatih. Kemudian buka blok membuka 4 blok terakhir badan model. Kenapa blok terakhir? Blok awal CNN mengenali fitur umum seperti tepi dan warna yang berguna untuk semua citra, sedangkan blok akhir mengenali pola yang lebih spesifik, dan bagian inilah yang perlu disesuaikan. Sekarang yang dilatih 1,5 juta dari 2,2 juta parameter, 68,8%. Kuncinya learning rate.
Langkah 2: Learning rate kecil & cosine annealing
Kita pakai 0,0003, lebih kecil dari feature extraction, supaya bobot pretrinet hanya disesuaikan sedikit demi sedikit, bukan dirusak. Ditambah scheduler cosine annealing LR, learning rate turun mengikuti kurva cosinus dari nilai awal sampai hampir 0 di akhir pelatihan. Di awal model belajar cukup cepat, di akhir langkahnya makin halus. Fungsi latih dari episode 3 langsung kita pakai ulang dengan parameter scheduler.
Langkah 3: Hasil fine-tuning
Terakhir 2 grafik, akurasi validasi feature extraction disambung fine tuning, dan nilai learning rate di setiap epoch. Jalankan. Lihat terminal, akurasi validasi langsung 80% di epoch pertama, lalu terus naik sampai 92,7% di epoch ke-6. Pada grafik kiri terlihat lonjakan besar dari garis biru ke garis oranye, dan grafik kanan memperlihatkan learning rate yang menurun mulus. Peningkatan 17% hanya dalam 6 epoch. Selesai.
. Selesai!
Kita sudah melakukan fine tuning blog atas mobile netv2, memakai learning rate kecil dan cosin anealing, dan menaikkan akurasi validasi dari 75,7 menjadi 92,7%. Tapi apakah 4 blog dan learning rate 0,0003 sudah pilihan terbaik? Di episode berikutnya kita mencarinya otomatis dengan Optuna. 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
53 kelas video1.286 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.
