/CNN_Image_Predictor

Primary LanguageJupyter Notebook

CNN_Image_Predictor

CNN Modeli Kullanımı

Bu proje, CIFAR-10 veri kümesi üzerinde bir CNN modelinin eğitimini ve sonrasında bu modelin kullanımını içerir.

Kullanım

  1. Gereksinimler

    • Python 3.x
    • Keras
    • TensorFlow
    • NumPy
    • Matplotlib
    • Jupyter Notebook (isteğe bağlı, eğitim ve tahminlerinizi görselleştirmek için kullanılabilir)

  2. Kurulum

    Gereksinimleri yüklemek için aşağıdaki komutları kullanın:

    pip install numpy matplotlib tensorflow keras jupyter

  3. Veri Kümesi

    CIFAR-10 veri kümesi, derin öğrenme modeli eğitimi ve testi için kullanılacaktır. Veri kümesi otomatik olarak yüklenir.

  4. Eğitim

    Modeli eğitmek için CNN_model_egitim.ipynb Jupyter Notebook dosyasını kullanın.

    jupyter notebook CNN_model_egitim.ipynb

    Notebook içindeki talimatları takip ederek modeli eğitebilirsiniz.

Aşağıda, FastAPI kullanarak bir görüntü sınıflandırma uygulaması için bir "readme" şablonu bulunmaktadır:

Görüntü Sınıflandırma Uygulaması

Bu proje, FastAPI kullanarak bir görüntü sınıflandırma servisi sunar. Kullanıcılar, uygulamaya bir görüntü yükleyerek, bu görüntünün hangi sınıfa ait olduğunu tahmin edebilirler.

Kurulum

  1. Gereksinimler

    • Python 3.x
    • FastAPI
    • Uvicorn
    • Python-Multipart
    • TensorFlow
    • OpenCV
    • NumPy

    Gereksinimleri yüklemek için aşağıdaki komutları kullanın:

    pip install fastapi uvicorn python-multipart tensorflow opencv-python-headless numpy

  2. Model ve Servis Hazırlığı

    • Görüntü sınıflandırma modeli ve ağırlıkları (CNN_three_layer_fully_connected.json ve CNN_three_fully_connected.h5) bulunmalıdır. Bu dosyaların, bu proje dizininde olduğundan emin olun.
    • Servis, görüntüyü işlemek ve tahminler yapmak için OpenCV ve NumPy kütüphanelerini kullanır. Gerekirse bu kütüphaneleri yükleyin.

  3. Uygulamayı Başlatma

    Uygulamayı başlatmak için aşağıdaki komutu kullanın:

    uvicorn app:app --reload

    Bu komut, app.py dosyasındaki FastAPI uygulamasını başlatır ve değişiklikler otomatik olarak algılanarak yeniden yüklenir.

  4. Kullanım

    • Uygulama başlatıldıktan sonra, bir web tarayıcısında http://localhost:8000 adresine gidin.
    • Sayfada, bir görüntü dosyası seçin ve "Yükle" düğmesine basın.
    • Servis, yüklenen görüntüyü alacak ve sınıflandıracak ve sonucu ekranda gösterecektir.

Notlar

  • Bu uygulama, önceden eğitilmiş bir görüntü sınıflandırma modelini kullanır. Modeli eğitmek ve yeni verilere göre güncellemek istiyorsanız, ayrıntılı talimatlar için model belgelerine bakın.
  • FastAPI hizmetine bir görüntü yüklemek için basit bir HTML formu bulunmaktadır. Bu form, kullanıcıların bir görüntü seçmelerine ve sunucuya yüklemelerine olanak tanır. Yüklenen görüntü, FastAPI hizmeti tarafından tahmin edilir ve sonuç JSON olarak sunulur. Ayrıca, CIFAR-10 veri seti ve CNN modeli hakkında bilgilendirici bir bölüm de içerir.

Referanslar

1.github.com/ABI-Virtual-Brain-Project/CNN-TaskLisansa tabi (Apache - 2.0) 2.github.com/liyongqingupc/ACLN-WindFieldCorrection 3.github.com/AlexTorres10/TCC 4.github.com/Mehwish4593/Mehwish4593 5.stackoverflow.com/questions/54207049/keras-cnn-validation-accuracy-stuck-at-70-training-accuracy-reaching-100 6.github.com/Chetank190/DogCatsClassifier_BigDataProject 7.github.com/Catalina-13/City-Congestion-Simulator 8.github.com/raja21068/Android_Malware_DetectionLisansa tabi (Apache - 2.0) 9.https://baraaalbourghli.medium.com/deploy-your-keras-or-tensorflow-machine-learning-model-to-aws-using-amazon-sagemaker-how-to-2d88a6e779cc