Implementasi algoritma Deep Learning

Ahmad Maulana Rismadin

Sosial Media


1 orang menyukai ini
Suka

Summary

Implementasi algoritma Deep Learning pada Accelerator (CPU/GPU/Accelerator lainnya) 

  Deep Learning adalah bagian dari pembelajaran mesin yang berbasis jaringan syaraf tiruan dengan banyak hidden layers yang memiliki kemampuan untuk mempelajari representasi atau fitur data secara otomatis. Deep learning memiliki kemampuan yang sangat baik dalam computer vision, salah satunya adalah penerapan algoritma Convolutional Neural Network (CNN). 

   Algoritma CNN menjadi populer di dalam teknik Deep Learning karena memiliki faktor penting seperti menghilangkan kebutuhan untuk ekstraksi fitur secara manual, dapat dilatih kembali untuk tugas-tugas dalam pengenalan suatu objek baru yang memungkinkan untuk membangun di jaringan yang sudah ada sebelumnya, serta algoritma CNN juga mempunyai beberapa model diantaranya CNN with 1 convolutional layer, CNN with 2 convolutional layer, CNN with 3 convolutional layer, dan CNN with 4 convolutional layer
 

Description

Pertama, saya menggunakan dataset gambar dari imagenet100_clsidx_to_labels.txt sebagai modul dataset 


 

Kedua, saya melakukan analisis gambar deep Learning menggunakan Google Collab Berikut langkah dalam menganalisis model Deep Learing menggunakan dataset gambar

Pertama, mengimport beberapa library 

#Import library yang dibutuhkan

from keras.applications.efficientnet_v2 import EfficientNetV2M

from keras.applications.mobilenet_v2 import MobileNetV2

 

#Deklarasikan model yang akan dipakai

model = EfficientNetV2M()

#model = MobileNetV2()

 

#Tampilkan layer-layer model VGG16

model.summary()

Kedua, kita import library dan url gambar yang nantinya akan kita atur gambar tersebut yang akan menjadi NP Array

import requests

import numpy as np

import cv2

import matplotlib.pyplot as plt

from PIL import Image

 

urls=[]

urls.append("https://post.healthline.com/wp-content/uploads/2020/08/3180-Pug_green_grass-732x549-thumbnail-732x549.jpg")

urls.append("https://static.toiimg.com/thumb/msid-60132235,imgsize-169468,width-800,height-600,resizemode-75/60132235.jpg")

urls.append("https://img.webmd.com/dtmcms/live/webmd/consumer_assets/site_images/article_thumbnails/other/cat_relaxing_on_patio_other/1800x1200_cat_relaxing_on_patio_other.jpg")

urls.append("https://i.guim.co.uk/img/media/26392d05302e02f7bf4eb143bb84c8097d09144b/446_167_3683_2210/master/3683.jpg?width=1200&height=1200&quality=85&auto=format&fit=crop&s=49ed3252c0b2ffb49cf8b508892e452d")

urls.append("https://media.wired.com/photos/61afb905d184762c75e00411/master/pass/Gear-Jackbrabbit-Bike-Yellow-top.jpg")

urls.append("https://cdn.mos.cms.futurecdn.net/ZvueiLL2vdwoHWHjCRuQCW-1200-80.jpg")

urls.append("https://images.theconversation.com/files/239356/original/file-20181004-52660-1fosymz.jpg?ixlib=rb-1.1.0&rect=121%2C5%2C3214%2C2309&q=45&auto=format&w=926&fit=clip")

urls.append("https://www.thesun.co.uk/wp-content/uploads/2019/09/NINTCHDBPICT000492607142-e1567357146264.jpg")

urls.append("https://asset.kompas.com/crops/ncgvDkq11ovx_624dxbv483x_iY=/0x0:648x432/750x500/data/photo/2021/10/05/615c371c61b81.jpg")

urls.append("https://wallpaperaccess.com/full/3396763.jpg")

urls.append("https://www.thehappychickencoop.com/wp-content/uploads/2019/01/chicken-and-hen.jpg")

urls.append("https://m.media-amazon.com/images/I/81KoSSAwH2L._SL1500_.jpg")

 

imgs=[]

plt.figure(figsize=(15,6))

for u in range(0,len(urls)):

  r = requests.get(urls[u], stream=True) #Download

  img = np.array(Image.open(r.raw))  #Konversi ke NP Array

  plt.subplot(1,len(urls),u+1) #Menampilkan ke matplotlib

  plt.imshow(img) #Menampilkan ke matplotlib

  img = cv2.resize(img, (480,480)) #Resize sesuai input VGG 16

  imgs.append(img) #Kumpulkan semua image yang telah di preproses ke imgs

plt.show() #Menampilkan ke matplotlib

imgs = np.array(imgs) #Konversi ke Np Array 

print (imgs.shape) #Debuging (Apakah shape-nya benar?)

 

Hasil dari Classification

Selanjutnya kita akan mencocokan hasil dari classification berdasarkan dataset yang telah kita punya dengan menjalankan perintah berikut


yh = model.predict(imgs)

for i in range(len(urls)):

  if(np.argmax(yh[i]) >= 151 and np.argmax(yh[i])<=268 ):

      print("Anjing")

  elif(np.argmax(yh[i]) >= 281 and np.argmax(yh[i])<=287 ) :

      print("Kucing")

  elif(np.argmax(yh[i]) >= 7 and np.argmax(yh[i])<=8 ) :

      print("Ayam")

  elif(np.argmax(yh[i]) >= 387 and np.argmax(yh[i]) <=388):

      print("Panda")

  elif(np.argmax(yh[i]) == 671):

      print("Sepeda") 

  elif(np.argmax(yh[i]) == 620):

      print("Laptop") 

  else:

      print("Lainya")


Hasil dari pencocokan tersebut didapatkan sebagai berikut


 

Sehingga didapatkan hasil yang cocok dari clasification gambar dan dataset

 

 

Informasi Course Terkait
  Kategori: Internet of Things / FPGA
  Course: FPGA - Accelerated Quantized Neural Networks