Modèles pré-entraînés pour le classement d’images (PyTorch / Python)
Mise en oeuvre de modèles de deep learning pré-entraînés sur des grands corpus étiquetés (ImageNet en l’occurrence) pour le classement d’images supplémentaires. Utilisation des librairies PyTorch / Torchvision pour Python. Etude du fonctionnement en particulier des classifieurs ResNet-50 et VGG-19. Principales étapes du processus : inspection de l’image, instanciation du modèle (avec pour la première utilisation, le chargement en ligne de ses poids synaptiques, stockés dans un dossier cache de la machine locale), la transformation de l’image pour qu’elle soit compatible avec le modèle, la prédiction avec le score d’appartenance.
Notebook et données : http://tutoriels-data-science.blogspo...
PyTorch : https://pytorch.org/vision/stable/mod...
ImageNet : https://www.image-net.org/update-mar-...
Page de cours : https://cours-machine-learning.blogsp...
00:00 Modèles de deep learning entraînés sur des grandes bases (ImageNet)
04:34 Modèles disponibles avec PyTorch (notamment ResNet-50 et VGG-19)
07:48 Démarrage du notebook
08:40 Chargement de l'image "Fiat Barchetta" - Format(s), dimension(s)
12:10 Chargement, instanciation et initialisation de ResNet-50
16:45 Préparation de l'image pour le classement
20:02 Prédiction - Probabilité d'appartenance aux classes
21:23 Liste des classes préétablies (1000)
21:50 Classe prédite et score
23:34 Classement avec VGG-19
25:53 Application de la démarche à l'image Jaguar