Deep Learning Project

Cat Recognition Deep Learning Project

Project Overzicht

Dit deep learning-project, gebouwd met behulp van Keras en TensorFlow, gericht op het classificeren van vijf verschillende soorten katten - huiskat, leeuw, tijger, cheeta en luipaard - door middel van beeldherkenning. Het project omvatte alle fasen van een typische deep learning-workflow, van gegevensverzameling tot modeltraining en voorspelling.

Belangrijkste componenten

• Data Collection:Er werd een dataset samengesteld met afbeeldingen van de vijf kattensoorten uit verschillende bronnen.
• Exploratory Data Analysis (EDA): EDA werd uitgevoerd om de dataset te begrijpen, beeldverdelingen te visualiseren en eventuele klasse-onevenwichtigheden aan te pakken.
• Data Preprocessing: De grootte van de afbeeldingen is aangepast en de dataset is opgesplitst in trainings-, validatie- en testsets. Data augmentation werd gebruikt om de trainingsgegevens te verrijken.
• Model Training: Tien verschillende modellen, waaronder Xception, ResNet, Inception, en MobileNet, werden verfijnd met behulp van transfer learning. De modellen werden getraind en gevalideerd op augmented data.
• Model Evaluation: Modellen werden geëvalueerd met behulp van nauwkeurigheids-, verlies- en verwarringsmatrices, waardoor het best presterende model kon worden geselecteerd.
• Prediction:Het uiteindelijke model werd getest op een aparte dataset en de voorspellingen werden opgeslagen in een CSV-bestand voor verdere analyse.

Gebruikte technologieën

• Keras
• TensorFlow
• Transfer Learning

Hoe lokaal te draaien

1. Clone de repository naar je lokale machine
2. Ontdek de Jupyter-notebooks om de workflow en inzichten te volgen.
3. Train en test de modellen met behulp van de meegeleverde notitieboekjes.
4. Evalueer de modellen en voorspellingen doen op basis van testgegevens.

Github link

https://github.com/GiosSiebe/DeepLearningModel