Fonctionnement de Image Classification - TensorFlow

L’algorithme Image Classification - TensorFlow prend une image en entrée et la classe dans l’une des étiquettes de classe en sortie. Différents réseaux de deep learning tels que MobileNet, ResNet, Inception et EfficientNet sont très précis en matière de classification des images. Il existe également des réseaux de deep learning qui sont entraînés sur de grands jeux de données d'images, tels qu'ImageNet, qui contient plus de 11 millions d'images et près de 11 000 classes. Une fois qu'un réseau a été entraîné avec les données d'ImageNet, vous pouvez affiner le réseau sur un jeu de données en mettant l'accent sur l'exécution de tâches de classification plus spécifiques. L’algorithme Image Classification - TensorFlow dans Amazon SageMaker prend en charge l’apprentissage par transfert sur de nombreux modèles pré-entraînés disponibles dans le hub TensorFlow.

En fonction du nombre d'étiquettes de classe figurant dans vos données d'entraînement, une couche de classification est attachée au modèle de hub TensorFlow pré-entraîné de votre choix. La couche de classification se compose d'une couche d'abandon, d'une couche dense et d'une couche entièrement connectée avec un régulariseur à 2 normes initialisé avec des pondérations aléatoires. Le modèle possède des hyperparamètres pour le taux d'abandon de la couche d'abandon et le facteur de régularisation L2 pour la couche dense. Vous pouvez ensuite affiner le réseau entier (y compris le modèle pré-entraîné) ou uniquement la couche de classification supérieure sur les nouvelles données d'entraînement. Avec cette méthode d'apprentissage par transfert, un entraînement avec des jeux de données plus petits est possible.