Cuprins

Învățare profundă pentru viziune artificială folosind PyTorch și MATLAB

Descriere

Aceste aplicatii au ca obiective configurarea unui mediu PyTorch în infrastructura CloudUT pentru aplicaţii care necesită putere de procesare și capacitate de memorie mare si demonstrarea faptului ca o aplicatie care necesita calcul GPU masiv se poate antrena pe masini virtuale din CloudUT. S-au demonstrat aceste scenarii prin antrenarea de rețele neuronale pentru clasificarea imaginilor sau segmentare semantica.

MATLAB oferă suport pentru calcul numeric, simulări, procesări de imagini, inteligență și viziune artificială etc. Mașina virtuală din CloudUT cu mediul MATLAB instalat permite definirea, antrenarea și predicția folosind rețele neuronale și tehnici de calcul paralel.

Aplicațiile de clasificare a imaginilor au ca scop asignarea unei categorii pentru o imagine dată ca și intrare. În funcție de tipul categoriilor aplicațiile pot fi utilizate pentru:

  • Recunoașterea cifrelor scrise de mână
  • Clasificarea imaginilor medicale (imagini ecografice ale ficatului cu tumori de tip HCC – Hepatocellular Carcinoma)
  • Clasificarea imaginilor care conțin un singur obiect din setul de date Caltech.

Rețelele neuronale considerate pentru aceste aplicații sunt:

  • ResNet
  • VGG
  • Densenet
  • SqueezeNet
  • InceptionNet.

Aceste rețele au fost pre-antrenate pe setul de date ImageNet care conține 1000 de categorii. Pașii care se urmează sunt:

  • Inițializarea modelului preantrenat;
  • Remodelarea ultimului strat pentru a suporta un număr de ieșiri egal cu numărul de clase din setul de date considerat;
  • Definirea parametrilor care se vor actualiza în timpul antrenări de către algoritmul de optimizare;
  • Antrenarea rețelei.

Cerinte functionale

Funcționalitățile de bază includ încărcarea datelor de intrare, antrenarea unei retele de clasificare definita de utilizator sau a unor retele existente și validarea rezultatelor obținute. Datele de intrare sunt imagini în formatul jpg / png. Limbajul de dezvoltare este Python sau MATLAB. Pachetele software necesare trebuie instalate utilizand anaconda conform documentatiei oferita la pagina de descriere a aplicatiilor.

Funcționalitățile sunt oferite sub formă de modele antrenate și sub formă de aplicație (cod MATLAB sau Python).

Context de utilizare

Aplicatiile demonstreaza urmatoarele aspecte:
– antrenarea unor retele CNN definite de utilizator sau modele existente in literatura
– optimizarea procesului de invatare
– monitorizarea procesului de invatare
– evaluarea performantei modelelor antrenate in demonstratoare

Beneficiari și beneficii

Membrii ai colectivelor de cercetare, doctoranzi care doresc să dezvolte aplicatii de învăţare profundă cu aplicatii pe imagini color.

Data instalării

02.12.2021

Modalitate de accesare a aplicatiilor

Codul aplicatiilor si o parte din modelele antrenate sunt disponibile la adresa:
https://gitlab.utcluj.ro/Raluca.Brehar/aplicatii-pentru-invatare-profunda-bazata-pe-retele-neuronale-convolutionale-in-contextul-viziunii-artificiale-si-cloudut
Pentru accesarea codului este nevoie de cont de utilizator pe https://gitlab.utcluj.ro/ .

– Pentru rularea aplicatiilor in CloudUT se va solicita o masina virtuala dedicata utilizand aplicatia de Ticketing . Se va solicita o masina virtuala dedicata pentru invatare profunda folosind PyTorch sau MATLAB.

Tutorial: Deep Learning in CloudUT folosind PyTorch si MATLAB

Data:

  1. 25 martie 2022, Orele : 14:00-15:00
  2. 08 decembrie 2021, Orele : 13:00-14:00

Prezintă: Raluca Brehar, Cristian Cosmin Vancea, Ion Giosan

Descriere:

Tutorialul cuprinde o scurtă trecere în revistă a noţiunilor teoretice legate de învăţarea profundă în contextul unor probleme de viziune artificială şi demonstraţii practice legate de procedura de utilizare a unei maşini virtuale din CloudUT pentru a antrena diverse arhitecturi de reţele neuronale convoluţionale. Demonstartiile sunt realizate folosind mediile PyTorch si MATLAB.

Obiective:

Familiarizarea utilizatorilor cu procedura de utilizare a infrastructurii CloudUT în aplicaţii care necesită calcul GPU masiv pentru probleme de învăţare profundă dar si spaţiu de stocare mare, putere de procesare.

Beneficiari:

Membrii ai colectivelor de cercetare, doctoranzi care doresc să dezvolte aplicatii de învăţare profundă.

Planificare/Curiccula:

1. Învăţarea profundă în contextul viziunii artificiale: aplicaţii
2. Prezentare demonstrativă – configurarea unui mediu PyTorch pentru a antrena o reţea neuronală pentru clasificarea imaginilor.
3. Prezentare practică – accesarea datelor, configurarea si antrenarea reţelei din mediul creat, evaluarea performanţei, îmunătăţirea modelului.
4. Prezentare demonstrativa – accesarea datelor, crearea si antrenarea unei retele pentru recunoasterea imaginilor in MATLAB.
5. Concluzii.
6. Discutii şi întrebări.

Înregistrare video: