Animal Faces CNN Classification
تصنيف بصري مع تقييم متوازن
يدرّب هذا المشروع نموذج CNN لتصنيف وجوه الحيوانات إلى Cat وDog وWild. يركز على تجهيز الصور، augmentation، التدريب باستخدام callbacks، ومراجعة الأداء على مستوى الفئات.
PythonTensorFlowKerasCNNData AugmentationCallbacks
التحدي
- الفئات البصرية قد تتداخل بسبب التنوع الكبير داخل كل فئة.
- التدريب يحتاج augmentation وcallbacks لتقليل فرط التخصيص وتثبيت التعلم.
- التقييم يجب أن يراجع سلوك كل فئة، لا رقم الدقة وحده.
تصميم النظام
مجموعة صورCat وDog وWild
تعلم خصائص CNNطبقات convolution
ضبط التدريبcallbacks وcheckpoints
تقييممصفوفة التباس وأمثلة
البيانات والمدخلات
- مجموعة Animal Faces بثلاث فئات: Cat وDog وWild.
- مدخلات RGB بحجم 128×128 مع تطبيع القيم إلى [0, 1].
- 11,706 صورة تدريب و2,924 صورة اختبار/تحقق.
المنهجية التقنية
- استخدام كتل convolution متتابعة مع max pooling وbatch normalization وdropout.
- التدريب باستخدام Adam وearly stopping وتقليل معدل التعلم وحفظ أفضل checkpoint.
- مراجعة منحنيات التدريب، مصفوفة الالتباس، وأمثلة التنبؤ.
التقييم والنتائج
مؤشرات رئيسية
11,706 صورة تدريب
مؤشرات رئيسية
2,924 صورة اختبار/تحقق
مؤشرات رئيسية
دقة كلية 0.9593
- حقق النموذج دقة كلية 0.9593 عبر الفئات الثلاث.
- كانت فئة Cat الأقوى، بينما انخفض recall لفئة Wild بسبب التنوع البصري الأكبر.
- أظهرت منحنيات التدريب تقاربًا مستقرًا دون فرط تخصيص شديد.
التنفيذ والكود
محور التنفيذ
يربط التنفيذ بين تجهيز البيانات، النمذجة، التقييم، وتفسير النتائج ضمن سير عمل منظم يوضح القرارات التقنية.
نطاق المشروع والاستخدام المسؤول
هذا مشروع نمذجة وتقييم مركز. أي استخدام أوسع يحتاج تحققًا على بيانات إضافية، اختبارات متانة، مراقبة، وتقييمًا خاصًا بالسياق المقصود.
التطوير القادم
- إضافة سياسات augmentation أقوى ونماذج transfer learning.
- تحليل الأخطاء حسب النوع وجودة الصورة.
- تغليف المصنف في واجهة تجريبية صغيرة.
القيمة التقنية
يوضح المشروع سير عمل التصنيف البصري كاملًا: تجهيز الصور، ضبط التدريب، مقاييس الفئات، وفحص الأخطاء بصريًا.