Description

Image recognition, atau pengenalan gambar, adalah proses penggunaan teknik dan algoritma komputer untuk mengenali dan mengklasifikasikan objek, pola, atau fitur dalam gambar digital. Tujuannya adalah untuk mengajarkan mesin untuk mengenali dan memahami gambar secara otomatis, serupa dengan kemampuan pengenalan visual manusia.

PyTorch adalah sebuah framework machine learning open-source yang dikembangkan oleh Facebook AI Research. PyTorch sangat populer di kalangan peneliti dan praktisi machine learning karena fleksibilitas, kemudahan penggunaan, dan performa tinggi.

Dataset

Dataset CIFAR-10 adalah dataset populer dalam bidang pengolahan citra dan pengenalan pola. CIFAR-10 berisi sekumpulan gambar dengan resolusi rendah yang dibagi menjadi 10 kelas yang berbeda. Setiap kelas memiliki 6.000 gambar, sehingga total ada 60.000 gambar dalam dataset.

Model

Mengimport Library yang dibutuhkan dalam melakukan klasifikasi menggunakan model Neural Network

memuat dan membagi dataset CIFAR-10 menjadi batch-batch kecil yang siap untuk digunakan dalam pelatihan dan evaluasi model pengenalan gambar.

Menampilkan dan melihat contoh gambar-gambar dari CIFAR-10 dataset beserta labelnya.

Mendefinisikan struktur model neural network untuk image recognition yang terdiri dari lapisan-lapisan convolutional, max pooling, dan fully connected. Model ini dapat digunakan untuk melatih dan melakukan prediksi pada dataset CIFAR-10.

Pengaturan kriteria (criterion) dan optimizer untuk pelatihan model neural network

Melatih model neural network menggunakan dataset CIFAR-10. Pada setiap epoch, data akan dimasukkan ke dalam model, dilakukan perhitungan loss, dilakukan backward pass, dan optimizer akan mengoptimasi parameter-parameter model. Running loss akan dicetak setiap 2000 batch untuk memantau kemajuan pelatihan.

menyimpan model yang telah dilatih untuk digunakan kembali di waktu yang akan datang.

Melihat prediksi kelas yang dihasilkan oleh model untuk data input yang telah diberikan. Hal ini membantu dalam mengevaluasi kualitas prediksi dari model yang telah dilatih.

memperoleh akurasi dari model pada data uji untuk mengevaluasi performa model yang telah dilatih.

melihat akurasi untuk setiap kelas dalam dataset CIFAR-10. Hal ini memberikan wawasan tentang seberapa baik model mampu memprediksi setiap kelas secara individu.