... ✍️ TateoBlog / 29/08/26 02:01 👈 sei qui
... 🎓 Learning / 🧠 AI / Deep Learning / CNN / 👁️ visione artificiale / architetture / classificazione / produzione / addestramento 👈 sei qui
#AI #ArtificialIntelligence #IntelligenzaArtificiale #deepLearning #CNN #VisioneArtificiale #ComputerVision #classificatore #addestramento #TateoBlog #TILLL
Una volta completata la preparazione del dataset, il modello viene addestrato utilizzando il Training Set. Durante questa fase la rete neurale apprende automaticamente le caratteristiche discriminanti delle diverse classi modificando iterativamente i propri parametri interni (pesi e bias) al fine di ridurre l'errore di classificazione.
Configurazione Architetturale
La prima attività consiste nella definizione dell'architettura della rete neurale che verrà utilizzata per il riconoscimento delle immagini.
I principali parametri architetturali comprendono:
- Architettura CNN (ad esempio VGG10, VGG16, ResNet50, DenseNet201, EfficientNet o MobileNet): definisce la struttura della rete neurale e il modo in cui vengono estratte le caratteristiche dalle immagini.
- Dense Layer Size (ad esempio 512 neuroni): rappresenta il numero di neuroni presenti nel layer completamente connesso (Fully Connected Layer) posto nella parte finale della rete. Questo layer combina le caratteristiche estratte dagli strati convoluzionali e produce la decisione finale di classificazione. Un numero maggiore di neuroni aumenta la capacità rappresentativa del modello ma incrementa anche il numero di parametri da addestrare e il rischio di overfitting.
Iperparametri di Addestramento
Oltre alla struttura della rete, è necessario configurare una serie di iperparametri, ovvero parametri non appresi automaticamente dal modello ma definiti dall'ingegnere durante il processo di sviluppo.
Tra i più comuni:
- Learning Rate: determina l'entità delle modifiche applicate ai parametri della rete durante ogni iterazione di addestramento. Valori troppo elevati possono rendere instabile l'apprendimento, mentre valori troppo bassi possono rallentare eccessivamente la convergenza.
- Numero di Epoche: indica quante volte l'intero Training Set viene presentato alla rete durante il processo di apprendimento.
- Dropout: tecnica di regolarizzazione che disattiva casualmente una percentuale di neuroni durante l'addestramento al fine di migliorare la capacità di generalizzazione del modello.
- Patience: parametro utilizzato nei meccanismi di Early Stopping. Definisce il numero di epoche consecutive durante le quali il modello può non migliorare prima che l'addestramento venga interrotto automaticamente.
Processo di Validazione
Durante l'addestramento il Validation Set svolge un ruolo fondamentale. A intervalli regolari il modello viene valutato su dati che non sono stati utilizzati per aggiornare i pesi della rete. Questo consente di monitorare le prestazioni del classificatore e di identificare tempestivamente eventuali problemi.
I due fenomeni principali da controllare sono:
- Overfitting: il modello apprende in modo eccessivamente dettagliato il Training Set, ottenendo ottime prestazioni sui dati di addestramento ma risultati peggiori su dati nuovi e mai osservati.
- Underfitting: il modello non riesce ad apprendere adeguatamente le caratteristiche del problema e mostra prestazioni insufficienti sia sul Training Set sia sul Validation Set.
L'obiettivo del processo di validazione è individuare il modello che offre il miglior compromesso tra accuratezza e capacità di generalizzazione.
Indicatori e Strumenti di Analisi
Per comprendere il comportamento del classificatore durante l'addestramento vengono monitorati diversi indicatori e strumenti diagnostici.
- Accuracy Plot. L'Accuracy Plot mostra l'andamento dell'accuratezza di classificazione nel corso delle epoche sia sul Training Set sia sul Validation Set.
L'analisi delle due curve permette di valutare:
- velocità di apprendimento del modello;
- raggiungimento della convergenza;
- eventuale presenza di overfitting o underfitting.
- Loss Plot. Il Loss Plot rappresenta l'evoluzione della funzione di errore (Loss Function) durante l'addestramento.
Un comportamento desiderabile è caratterizzato da una progressiva riduzione della loss sia sul Training Set sia sul Validation Set.
Divergenze significative tra le due curve rappresentano spesso un'indicazione precoce di overfitting.
- Heatmap di Attenzione. Le Heatmap di Attenzione evidenziano le regioni dell'immagine che hanno maggiormente influenzato la decisione del classificatore.
Questi strumenti consentono di verificare se la rete neurale stia realmente osservando gli elementi significativi dell'oggetto di interesse oppure se stia basando le proprie decisioni su informazioni spurie o non pertinenti.
- Matrice di Confusione. La Confusion Matrix rappresenta il numero di campioni classificati correttamente o erroneamente per ciascuna classe.
La matrice permette di identificare:
- le classi maggiormente confuse tra loro;
- la distribuzione degli errori;
- eventuali squilibri prestazionali del classificatore.
- Metriche di Classificazione. Dalla matrice di confusione possono essere derivate diverse metriche quantitative, tra cui:
- Accuracy: percentuale complessiva di classificazioni corrette.
- Precision: capacità di evitare falsi positivi.
- Recall: capacità di rilevare correttamente tutti i campioni appartenenti a una determinata classe.
- F1-Score: misura sintetica che combina Precision e Recall.
Risultato della Fase di Addestramento
Al termine del processo vengono confrontate le diverse configurazioni testate e selezionato il modello che presenta le migliori prestazioni sul Validation Set. Il risultato finale è un classificatore addestrato e validato, pronto per essere sottoposto alla successiva fase di test indipendente sul Test Set e, successivamente, all'impiego operativo sul campo.
Al termine di questa fase si ottiene il modello migliore tra quelli testati, ovvero il classificatore addestrato e validato.
1. 🧠 Intelligenza Artificiale (AI); Titolo: Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; Link: https://tateoblog.blogspot.com/p/artificial-intelligence.html ; paragrafo §8.5.2. (2) Addestramento e validazione del classificatore.
2. 👁️ Visione Artificiale (VS); Titolo: La riproduzione della visione umana per mezzo di un sistema artificiale; Link: https://tateoblog.blogspot.com/p/vs-visione-artificiale.html
Nessun commento:
Posta un commento