... ✍️ TateoBlog 👈 sei qui... 🎓 Learning / 🧠 AI / Deep Learning / CNN / 👁️ visione artificiale / architetture / classificazione / produzione / dataset 👈 sei qui
L'efficacia di un classificatore di immagini dipende in larga misura dalla qualità del dataset utilizzato durante il processo di sviluppo. La costruzione del dataset rappresenta quindi una fase fondamentale del ciclo di vita del modello, poiché determina la capacità della rete neurale di apprendere correttamente le caratteristiche distintive delle diverse classi e di generalizzare il proprio comportamento su dati mai osservati in precedenza.
Acquisizione e Labeling
La prima fase consiste nella raccolta, organizzazione e preparazione delle immagini che costituiranno il dataset di addestramento. Le immagini vengono acquisite dai sistemi di misura o da archivi storici e successivamente sottoposte a verifica qualitativa, classificazione e annotazione (labeling). Ad ogni immagine viene associata una classe di appartenenza che rappresenta il risultato atteso del processo di classificazione. I campioni vengono inoltre rinominati e organizzati secondo convenzioni coerenti al fine di garantire tracciabilità, uniformità e facilità di gestione del dataset.
Suddivisione del Dataset
Una volta completata la preparazione dei campioni, il dataset viene suddiviso in tre insiemi distinti:
- Training Set, utilizzato per l'apprendimento dei parametri della rete neurale;
- Validation Set, utilizzato per monitorare il processo di addestramento e ottimizzare gli iperparametri del modello;
- Test Set, utilizzato esclusivamente per la valutazione finale delle prestazioni.
Questa separazione è essenziale per ottenere una stima realistica delle capacità di generalizzazione del classificatore. L'utilizzo degli stessi dati sia per l'addestramento sia per la valutazione finale porterebbe infatti a risultati artificialmente ottimistici, fenomeno noto come overfitting.
Pre-processing.
Prima di essere utilizzate dalla rete neurale, le immagini vengono sottoposte a una serie di trasformazioni finalizzate a uniformare il formato dei dati di ingresso.
- Ridimensionamento delle immagini (210 × 201 pixel): tutte le immagini vengono convertite a una risoluzione uniforme, compatibile con l'architettura della rete neurale utilizzata.
- Normalizzazione Min-Max: i valori dei pixel vengono trasformati in un intervallo normalizzato, generalmente compreso tra 0 e 1, al fine di migliorare la stabilità numerica e favorire la convergenza del processo di addestramento.
Data Augmentation
In molti casi il numero di campioni disponibili non è sufficiente a rappresentare tutte le possibili variabilità osservabili durante l'esercizio. Per aumentare artificialmente la numerosità del dataset e migliorare la capacità di generalizzazione del classificatore vengono quindi applicate tecniche di data augmentation, che generano nuove immagini a partire dai campioni esistenti mediante trasformazioni geometriche controllate.
Nel caso in esame sono state adottate le seguenti tecniche:
- Horizontal Flip: generazione di immagini speculari rispetto all'asse verticale;
- Vertical Flip: generazione di immagini speculari rispetto all'asse orizzontale.
Queste trasformazioni consentono alla rete neurale di apprendere caratteristiche più robuste e meno dipendenti dall'orientamento specifico degli oggetti presenti nell'immagine, riducendo il rischio di overfitting e migliorando le prestazioni su dati reali non utilizzati durante l'addestramento.
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 §8.5.1. (1) Produzione e Preparazione del Dataset.
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