Detta skript är designat för att träna maskininlärningsmodeller för uppgifter inom bildklassificering eller objektdetektering, samt exportera de tränade modellerna till TensorFlow Lite och Core ML-format för användning på Android- och iOS-enheter.
- Python 3.x
- TensorFlow
- Keras
- CoreMLTools
- Keras Tuner
pip install tensorflow keras coremltools keras-tuner
## Mappstruktur
Organisera din mappstruktur enligt följande:
my_ml_projects/
data/
image_classification/ eller object_detection/
train/ (träningsbilder)
validate/ (valideringsbilder)
logs/
models
## Steg-för-steg-anvisningar
### 1. Förbered Din Data:
- Organisera din data i en `train` och `validate` mapp under den respektive uppgiftsmappen (`image_classification` eller `object_detection`).
- Bilderna ska grupperas i undermappar per klass i både `train` och `validate` mapparna.
### 2. Konfigurera Skriptet:
- Modifiera `PROJECT_ROOT` variabeln i skriptet för att peka på din `my_ml_projects` mapp.
- Ställ in `TASK` variabeln till antingen `image_classification` eller `object_detection` beroende på uppgiften du vill utföra.
### 3. Kör Skriptet:
- Öppna en terminal och navigera till mappen som innehåller skriptet.
- Kör skriptet med kommandot:
```bash
python script_name.py
## Modellträning:
- Skriptet startar automatiskt träningen av modellen med den tillhandahållna datan.
- Träningsloggar, den bästa modellen och den slutliga modellen sparas i logs, models/{TASK}/best_model.h5 och models/{TASK}/saved_model.h5 mapparna respektive.
## Exportera Modellen:
- Efter träningen försöker skriptet exportera modellen till TensorFlow Lite och Core ML format.
- De exporterade modellerna sparas i models/{TASK}/model.tflite och models/{TASK}/model.mlmodel mapparna respektive.
## Övervaka Träningen:
- Du kan övervaka träningsprocessen med TensorBoard. Kör följande kommando för att starta TensorBoard: tensorboard --logdir C:/Users/Anton/my_ml_projects/logs/fit/{TASK}
## Anpassa Träningen:
- Du kan anpassa träningsprocessen genom att modifiera EPOCHS, MAX_TRIALS och andra variabler i skriptet.
- Du kan också anpassa build_model funktionen för att definiera din egen modellarkitektur.
## Felsökning
- Om du stöter på importfel, se till att alla nödvändiga bibliotek är installerade och att Python-miljön är korrekt konfigurerad.
- Kontrollera logs mappen för loggfiler som kan ge mer information om eventuella fel som uppstår