Animal Image Classification Model Deployment
Mochmmad Adhi Buchori
Summary
Animal Image Classification Model Deployment merupakan model machine learning berupa klasifikasi gambar hewan yang dibangun dengan algoritma deep learning Convolutional Neural Network (CNN) dengan menggunakan Keras. Dalam hal ini, model yang dibuat sudah mencakup Model Deployment. Adapun rincian hal yang diterapkan pada model yang di antaranya adalah sebagai berikut:
- Dataset memiliki lebih dari 1000 buah gambar.
- Dataset dibagi menjadi 80% train set dan 20% test set.
- Model dibangun dengan menggunakan model sequential.
- Model dibangun dengan menggunakan Conv2D Max Pooling Layer.
- Akurasi pada training dan validation lebih dari 80%.
- Model dibangun dengan menggunakan Callback.
- Terdapat plot terhadap akurasi dan loss model.
- Mengimplementasikan kode yang dapat digunakan untuk menyimpan model ke dalam format TF-Lite.
Description
1. Required Library
Gambar 1. Input Library yang Dibutuhkan.
2. Dataset Preparation
2.1. Dataset Source
https://www.kaggle.com/datasets/alessiocorrado99/animals10
2.2. Install kaggle package.
Gambar 2. Input Instalasi Kaggle Package.
2.3. Upload kaggle.json
Gambar 3. Input Upload kaggle.json.
2.4. Preparing the directory.
Gambar 4. Input Mempersiapkan Direktori.
2.5. Download dataset.
Gambar 5. Input Download Dataset.
2.6. Extract the zip file.
Gambar 6. Input Ekstrak File Zip.
2.7. Defines the directory name for the train data and validation data.
Gambar 7. Input Menentukan Nama Direktori untuk Data Latih dan Data Validasi.
Gambar 8. Output Menentukan Nama Direktori untuk Data Latih dan Data Validasi.
2.8. Delete unneeded folders.
Gambar 9. Input Menghapus Folder yang Tidak Dibutuhkan.
Gambar 10. Output Menghapus Folder yang Tidak Dibutuhkan.
2.9. Display the amount of data.
Gambar 11. Input Menampilkan Jumlah Data.
Gambar 12. Output Menampilkan Jumlah Data.
3. Split Dataset
3.1. Splitting the dataset into train sets and validation sets with sizes of 80% and 20%, respectively.
Gambar 13. Input Splitting Data.
Gambar 14. Input Splitting Data Bagian 2.
Gambar 15. Output Splitting Data.
4. Callback
4.1. Callback implementation
Gambar 16. Implementasi Callback.
5. Prepare CNN Model Architecture
Gambar 17. Input Persiapan Arsitektur Model CNN.
Gambar 18. Output Persiapan Arsitektur Model CNN.
Gambar 19. Input Persiapan Pemodelan Machine Learning.
Gambar 20. Input Pemodelan Machine Learning.
Gambar 21. Output Hasil Pemodelan Machine Learning.
6. Plotting
Gambar 22. Input Persiapan Plotting Hasil Pemodelan.
Gambar 23. Output Hasil Pemodelan.
7. TF-Lite Model Preparation
Gambar 24. Input Konversi Model ke dalam Format TF-Lite.
Gambar 25. Input Penyimpanan Model TF-Lite.
Informasi Course Terkait
Kategori: Data Science / Big DataCourse: Deep Learning Dengan Keras Python
