Código criado para utilização junto a plataforma da Digital Innovation One
Este é um projeto de transfer learning usando a biblioteca PyTorch. O objetivo deste projeto é treinar um modelo de classificação de imagens usando uma abordagem de transfer learning.
Certifique-se de ter o Python instalado em seu sistema. Este projeto utiliza a biblioteca PyTorch, portanto, é necessário ter o PyTorch instalado. Você pode instalar o PyTorch usando o comando:
pip install torch torchvision
O conjunto de dados utilizado neste projeto é composto por 14.499 imagens de gatos e 14.499 imagens de cachorros. As imagens estão organizadas em subpastas separadas para cada classe dentro dos diretórios de treinamento e teste.
O dataset utilizado engloba duas classes: gatos e cachorros. Uma descrição da base de dados pode ser visualizada neste link: https://www.tensorflow.org/datasets/catalog/cats_vs_dogs.
Já o dataset para download pode ser acessado por meio deste outro link:
https://www.microsoft.com/en-us/download/details.aspx?id=54765.
Certifique-se de ter os diretórios de treinamento e teste configurados corretamente. Você pode definir os caminhos para os diretórios nas variáveis train_path e test_path no arquivo projeto 1.ipynb.
Para treinar o modelo, execute o arquivo projeto 1.ipynb. O script carregará o conjunto de dados, aplicará transformações nas imagens, construirá um modelo de transfer learning usando a arquitetura ResNet-50 pré-treinada e realizará o treinamento.
Você pode ajustar os hiperparâmetros, como número de épocas, taxa de aprendizado, etc., no arquivo projeto 1.ipynb conforme necessário.
Após o treinamento, o modelo será avaliado no conjunto de teste e exibirá a acurácia alcançada.
Contribuições são bem-vindas! Sinta-se à vontade para abrir um pull request com melhorias, correções de bugs ou novos recursos.