PyTorch ile Gıda Sınıflandırma

Food_classification.mp4

Deneyin: https://huggingface.co/spaces/seali/Factbites

Bu depo; pizza, biftek ve suşi görüntülerini sınıflandırmak için PyTorch tabanlı örnekler içerir. Veri hazırlamadan model eğitimine, TensorBoard ile deney takibinden basit dağıtım senaryolarına kadar uçtan uca bir iş akışı sunar.

Özellikler

• Çoklu mimariler: Özel CNN modelleri, EfficientNet ve Vision Transformer.
• Modüler yapı: Veri yükleyicileri, eğitim döngüsü ve model bileşenleri yeniden kullanılabilir şekilde düzenlenmiştir.
• Deney takibi: TensorBoard günlükleri ve model kontrol noktaları saklanır.
• Dağıtım örnekleri: Eğitilen modellerin dışa aktarılması ve kullanılmasına dair basit demolar.
• Etkileşimli arayüz: Streamlit tabanlı animasyonlu arayüz sayesinde yüklenen görseller kolayca sınıflandırılabilir.

Depo Yapısı

Food-classification/
├── data/                      # pizza_steak_sushi veri seti (opsiyonel)
├── Experiment_tracking/       # TensorBoard günlükleri ve kontrol noktaları
├── Model_deployment/          # basit dağıtım demoları
├── PyTorch_Going_Modular/     # modüler eğitim pipeline'ı
├── Transfer__learning/        # transfer öğrenme not defterleri
├── tests/                     # birim testleri
└── README.md                  # proje tanıtımı

Kurulum

1. Gereksinimler

• Python 3.8+
• Git ve DVC
• İsteğe bağlı olarak bir sanal ortam

Gerekli Python paketleri requirements.txt dosyasında listelenmiştir.

2. Depoyu Klonlama

# Depoyu klonla
git clone https://github.com/CYBki/Food-classification.git
cd Food-classification

# (Opsiyonel) sanal ortam oluştur
python -m venv .venv
source .venv/bin/activate  # Windows için .venv\Scripts\activate

# Bağımlılıkları yükle
pip install -r requirements.txt

# DVC ile gerekli model ve veri dosyalarını indir
dvc pull
# Eğer `dvc pull` sırasında "Missing cache files" uyarısı alırsanız,
# modeli içeren makinede `dvc push` komutunu çalıştırarak remote'u güncelleyin.

Veri Seti

Depo, data/pizza_steak_sushi dizininde küçük bir örnek veri setiyle çalışacak şekilde tasarlanmıştır. Dizin mevcut değilse aşağıdaki Python komutu ile indirilebilir:

python download_dataset.py

Model Eğitimi

Veri seti hazır olduktan sonra model eğitimi aşağıdaki komut ile başlatılabilir:

python PyTorch_Going_Modular/going_modular/train.py

Eğitim sırasında oluşan TensorBoard günlükleri Experiment_tracking/runs dizinine yazılır. Kayıtları görmek için:

tensorboard --logdir Experiment_tracking/runs

Web Arayüzü ile Sınıflandırma

Eğitilen modeller Streamlit tabanlı arayüz üzerinden karşılaştırmalı olarak denenebilir. Bir görsel yükledikten sonra TinyVGG, EfficientNet-B0, EfficientNet-B2 ve ViT-B16 gibi farklı mimariler aynı görüntü üzerinde tahmin yapar. Her bir modelin tahmini ve olasılık değerleri tabloda listelenir, sınıf olasılıkları ise çubuk grafik üzerinde gösterilir.

streamlit run app.py

Testleri Çalıştırma

Yardımcı fonksiyonların doğru çalıştığından emin olmak için birim testlerini çalıştırın:

pytest

Katkıda Bulunma

Pull request göndermeden önce lütfen tüm testleri çalıştırın ve dokümantasyonu güncelleyin.

Lisans

Bu proje GNU General Public License v3.0 ile lisanslanmıştır.

Teşekkür

"PyTorch Going Modular" serisi ve geniş PyTorch topluluğuna katkılarından ötürü teşekkür ederiz.