Настоящият проект е свързан с темата Computer Vision (Компютърно зрение) и демонстрира как чрез машинно обучение може да се разпознават различни видове сложни хардуерни архитектури.
Проектът е практическо допълнение към темата „Квантово машинно обучение“ и цели да разграничи визуално специфичния дизайн на квантовите компютри от традиционните суперкомпютърни системи. Проектът използва изображения, за да класифицира обектите в две основни категории:
- ⚛️ Квантови процесори и криогенни системи (напр. IBM Quantum);
- 🏢 Класически сървърни зали и суперкомпютри (стелажи и клъстери).
В проекта е използван набор от изображения, организиран локално в директорията computers_dataset/.
Данните са ръчно събрани и селектирани, за да се гарантира високото качество на извадката. Всеки запис е изображение, поставено в съответната категория: quantum_computer или classical_supercomputer. Преди самото обучение, данните са автоматично проверени за повредени файлове и са обработени чрез библиотеката FastAI. Приложени са техники за преоразмеряване (Resize(128)) и аугментация (Data Augmentation), за да се подобри способността на модела да генерализира.
За решаването на задачата е използвана конволюционна невронна мрежа с архитектура ResNet18, реализирана чрез библиотеката PyTorch и обвивката FastAI.
Използван е методът на Трансферно обучение (Transfer Learning), при който модел, предварително обучен върху милиони изображения (ImageNet), се дообучава (fine-tuning) за специфичните нужди на нашата класификация. Този подход е идеален за постигане на високи резултати при сравнително малък обем от данни. След обучението, моделът се експортира във файл model.pkl, готов за бъдещи прогнози върху нови снимки.
След обучението моделът е оценен чрез метриката Error Rate (Коефициент на грешка) и резултатите са визуализирани чрез Confusion Matrix (Матрица на грешките).
При изпълнението на проекта бяха получени следните резултати:
- Error Rate:
0.25 - Accuracy (Точност):
75.00% - Recall (Квантови системи):
100%– Моделът безпогрешно идентифицира всички тестови изображения на квантови компютри.
Матрицата на грешките показва, че специфичната геометрия на квантовите системи се разпознава отлично, докато леки неточности възникват единствено при класически системи с визуално сходно окабеляване.
computers_dataset/– папка с тренировъчните и валидационни изображенияmain.py– основен скрипт за подготовка на данните, обучение и визуализацияmodel.pkl– записан обучен модел (генерира се след изпълнение)README.md– описание на проекта
- Python
- FastAI & PyTorch (за Deep Learning модела)
- Matplotlib (за визуализация на резултатите)
- Pillow (за валидация и обработка на изображения)
- Инсталират се необходимите библиотеки чрез терминала:
pip install fastai fastcore matplotlib pillow
Уверете се, че сте поставили събраните изображения в правилните подпапки вътре в computers_dataset/.
Стартира се скриптът:
Bash python main.py Процесът на почистване, обучение и генериране на резултати се случва автоматично.
🎯 Заключение Проектът показва стабилна и ефективна реализация на модел за компютърно зрение, приложен към научна и технологична тема. Той демонстрира как техниките за Откриване на знания могат да извлекат характерни визуални белези от неструктурирани данни (изображения). Моделът може лесно да бъде разширен с по-голям набор от ръчно събрани данни и по-дълбоки архитектури за постигане на индустриална точност.