Objectif
Mener un modèle entraîné jusqu'au téléphone, en couvrant toute la chaîne, de la préparation des données à l'inférence embarquée.
Reconnaissance de chats et de chiens avec MindSpore
Une expérience complète d'apprentissage profond, de l'entraînement jusqu'au téléphone : apprentissage par transfert pour la classification binaire chats/chiens avec MindSpore et MobileNetV2, puis conversion au format MindSpore Lite et déploiement sur un appareil Android pour l'inférence embarquée.
Aperçu du projet
Le projet part du jeu de données chats-et-chiens de Kaggle, passe par le nettoyage et la division des données, l'entraînement par transfert de MobileNetV2 et la conversion du modèle, puis installe le modèle .ms dans une application Android qui classe directement les photos de la galerie sur le téléphone. Toute la chaîne s'exécute localement, sans service d'inférence dans le cloud.
- Apprentissage par transfert sur un réseau figéLe réseau MobileNetV2 reste figé tandis que seule la tête de classification est affinée, ce qui permet au modèle de converger même sur un petit jeu de données.
- Inférence sur l'appareilLe modèle est converti au format MindSpore Lite : l'inférence s'exécute donc localement sur le téléphone, sans connexion réseau.
- Un pipeline documenté en cinq étapesLe nettoyage des données, l'entraînement, la conversion et le déploiement disposent chacun de leurs notes et de leur configuration.
À propos de ce projet
Fonctionnement
Un classifieur MobileNetV2 est entraîné avec MindSpore sur un PC puis exporté au format intermédiaire MindIR, converti en modèle .ms avec le MindSpore Lite Converter, et enfin poussé via ADB pour que l'application Android le charge.
Outils utilisés
MindSpore 2.0 et MindSpore Lite Converter 2.0 ; MobileNetV2 comme modèle ; Kaggle Cats vs Dogs (PetImages) comme jeu de données ; opencv-python, matplotlib et Pillow parmi les dépendances.
Portée et limites
Il s'agit d'une expérience de cours destinée à comprendre l'apprentissage par transfert et le déploiement embarqué. La reconnaissance se limite à la classification binaire chats/chiens et ne s'étend pas à des distinctions de races plus fines.
Cinq étapes, des données au téléphone
Chaque étape a des entrées et des sorties claires, ce qui permet de reproduire le pipeline dans l'ordre.
Nettoyage et division
Les images corrompues ou anormales sont filtrées, puis l'ensemble est divisé en portions d'entraînement et de validation pour que des données sales ne pèsent pas sur l'entraînement.
Entraînement par transfert
Un MobileNetV2 pré-entraîné est chargé avec ses poids de réseau figés et seule la tête de classification est entraînée, ce qui converge rapidement sur un petit jeu de données.
Conversion du modèle
La sortie d'entraînement est exportée en MindIR puis convertie par le MindSpore Lite Converter au format .ms que l'appareil peut charger.
Déploiement sur le téléphone
Le modèle et ses ressources sont poussés via ADB dans l'application Android, et l'inférence s'exécute ensuite entièrement sur le téléphone.
Observation des résultats
Les photos de la galerie sont classées directement sur le téléphone, et les résultats sont comparés aux courbes de perte et de précision enregistrées pendant l'entraînement.
Ce qu'est cette expérience
Une expérience de cours d'apprentissage profond centrée sur le lien entre entraînement et déploiement, sans ambition de repousser la précision de classification à sa limite.