Projeto criado com o objetivo de treinar um modelo capaz de classificar as fontes disponiveis no GBN Dataset.
As arquiteturas de redes neurais utilizadas para o treinamento.
Dividido em duas partes, a primeira "base_dataset" contem o dataset original e suas divisões posteriores (AFT e Other). A segunda parte "divided_dataset" contém os datasets da primeira parte divididos em "Train", "Validation" e "Test".
Enums criados com as informações de diretório e alguns hyparameters que são utilizados no treinamento de todas as arquiteturas de rede.
Atualmente usado apenas para gravar as classes que estão sendo treinadas.
Onde são salvos os modelos após o treinamento, seguindo a estrutura "models/{nome da arquitetura}/{nome do modelo}"
O nome do modelo atualmente segue o padrão "model_id_{id no modelo na planilha de treinamento}.h5"
Códigos que podem vir a ser uteis no treinamento das redes.
Antes de tudo, é necessário ativar o ambiente conda:
conda activate gbnv1.15
Com o ambiente ativo, basta instaciar a classe da arquitetura desejada, e preencher o construtor da mesma com as informações contidas no enum. Para rodar utilize:
python3 main.py
[] Transformar a arquitetura RESNET em uma classe [] Criar os testes indicados pelo Lucas