Transfer learning — это быстро. Но если хочешь понять, как сеть «учится видеть», иногда нужно начать с чистого листа.

Реализовал кастомную свёрточную нейросеть для классификации изображений (6 классов: buildings, forest, glacier, mountain, sea, streets) без использования предобученных весов.

🧠 Архитектурные решения: • Ручной подбор слоёв: чередование Conv2D → BatchNorm → ReLU → MaxPool для контроля градиентов • Регуляризация: Dropout + L2-весы для борьбы с переобучением на ограниченном датасете • Аугментации: random crop, flip, rotation — чтобы модель училась на разнообразных примерах • Мониторинг: отслеживал распределения активаций, градиентов и потерь по эпохам

📊 Результаты: • 90% accuracy на тестовой выборке (Intel Image Classification) • Стабильная сходимость без early stopping «на удачу» • Полная воспроизводимость

🔧 Инженерные практики: • Чистая структура проекта • PyTorch Lightning-like подход: разделение логики обучения, валидации и инференса • Визуализация: confusion matrix, ROC-кривые, примеры ошибок модели

🔗 Репозиторий: https://github.com/Delshi/Intel-Image-Classification

Готов обсудить подходы к проектированию архитектур, работе с несбалансированными данными и валидации моделей в CV-задачах.

#ComputerVision #PyTorch #CNN #DeepLearning #MachineLearning #Python #OpenSource #OpenToWork