🌸 Fine-Tuning ResNet on Oxford 102 Flowers

Этот проект демонстрирует дообучение модели ResNet-18 на датасете Oxford 102 Flowers для классификации изображений.

🚀 Описание

В проекте обучаются две модели:

• ResNet-18 с нуля (без предобученных весов).
• ResNet-18 с Fine-Tuning (дообучение на ImageNet).

📊 Результаты

Модель	Train Accuracy	Valid Accuracy	Время обучения
С нуля	91.49%	94.44%	~6m 29s
Предобученная	96.45%	100%	~2m 32s

🛠️ Технологии

• Google Colab
• PyTorch
• Torchvision
• ResNet-18
• Oxford 102 Flowers Dataset

📌 Как запустить?

1. Откройте блокнот в Google Colab.
2. Запустите ячейки последовательно.

🔹 Что делает блокнот?
✔ Загружает датасет Oxford 102 Flowers (классификация цветов).
✔ Преобразует данные, распределяя их по нужным папкам (train, valid, test).
✔ Использует PyTorch для подготовки данных и аугментации.
✔ Обучает две версии ResNet-18:

* С нуля (ResNet-18 from scratch).
* Предобученную на ImageNet (Fine-tuning pretrained ResNet-18).

✔ Сравнивает точность моделей:

* Обученная с нуля – 91.49% (train) / 94.44% (valid).
* Предобученная модель – 96.45% (train) / 100% (valid).

✔ Выводит графики, проверяет, есть ли пустые папки или некорректные данные.

🔗 Дополнительные ссылки:

📄 Oxford 102 Flowers Dataset - публичный датасет на Kaggle.
📜 ResNet Paper - научная статья "Deep Residual Learning for Image Recognition" (2015) от Microsoft Research, в которой была представлена архитектура ResNet (Residual Networks).

4. Структура репозитория

     📂 fine-tuning_resnet/
     ├── fine_tuning_oxford102.ipynb  # Блокнот с кодом (Colab)
     ├── README.md                    # Описание проекта
     └── dataset_info.txt              # Описание датасета
   

5. Дальнейшее развитие проекта 🔥 Этот проект можно расширить и улучшить!

1️⃣ Сравнение с другими моделями

• Добавить в эксперимент другие архитектуры нейросетей: * VGG-16 / VGG-19 * EfficientNet * Vision Transformer (ViT)
• Провести тесты и сравнить точность, скорость обучения, потребление памяти.

2️⃣ Использование аугментации данных

• Добавить data augmentation (torchvision.transforms): RandomRotation, RandomCrop, ColorJitter, HorizontalFlip.
• Это поможет сделать модель устойчивее к изменениям изображений.

3️⃣ Гиперпараметрический тюнинг

• Оптимизировать learning rate, batch size, количество эпох.
• Использовать Optuna или GridSearch для поиска лучших параметров.

4️⃣ Функция Grad-CAM для интерпретации модели

• Визуализировать, на какие части изображения смотрит модель при классификации.
• Поможет понять, почему нейросеть делает ошибки.

5️⃣ Добавить поддержку собственного датасета

• Сейчас модель работает с Oxford 102 Flowers.
• Можно адаптировать код для других датасетов, например: Custom Dataset (свои изображения цветов, животных, товаров); Imagenette / CIFAR-10 / Food-101.

6️⃣ Оптимизация модели для мобильных устройств

• Конвертировать модель в TorchScript / ONNX.
• Использовать TensorRT или CoreML, чтобы запустить нейросеть на мобильных устройствах.

8. 📝 Лицензия: MIT