Студенческий проект Квалификация бактерий и клеток с помощью CNN

Цель

Разработка и обучение модели, способной квалифицировать по картинки различные классы бактерий и клеток.

Стек:

• Pytorch
• Torchvision
• Matplotlib
• Sklearn

Модели:

• ResNet18
• EfficientNetB0
• VGG16

Я выбрал три модели, чтобы потом можно сравнить их точность на одном и том же датасете и выявить модель лучше подходящую для поставленной задачи.
Если говорить конкретно про выбор моделей, то я взял ResNet18, потому что она использовалась на парах и дз, а VGG16 и EfficientNetB0 выбрал из-за их различной архитектуры. Удобная и компактная у одной и сложная у другой.

Полученные результаты:

• ResNet18
  
• EfficientNetB0
  
• VGG16
  

Обучение моделей я проводил на 32 batchax, количество эпох было 30 (кроме VGG16 из-за слишкой медленной скорости), оптимизатором был выбран Adam и для функции потерь CrossEntropyLoss. Из аугментации проводил рандомный поворот, изменения яркости, отражение и масштабирование.
У ResNet18 самый высокий результат был 79 процентов и в основном результат держался на 75+ процентах. У следующей модели результат чуть хуже, но довольно стабильный, точность в среднем была около 73, а лучший результат 74 процента. У VGG16 результат самый слабый, хоть и не сильно отстаёт от моделей до этого, но я не могу не отметить его очень медленную скорость обучения.
На матрицах видно определённую закономерность в определении классов, а именно преобладание двух классов и классы в которых чаще всего появляются ошибки. Эта информация помогает осознать недостатки датасета и варианты кго улучшения.

Заключение

В заключении бы хотелось сказать, что в ходе данного проекта я значительно углубил свои знания в класификации и машиного обучения, полученные за полторы недели этого предмета. Прлученные результаты считаю удовлетворительными при небольшом датасете и индивидуального выполнения, ведь 79 процентов точности на примерно 10 классах уже не считается угадыванием, а именно определением по изученным изображениям.