Klasifikasi Gambar dengan Transfer Learning: Tutorial Komprehensif

Daftar Isi

Pendahuluan

Prasyarat

Memahami Transfer Learning

Memilih Model Pre-trained

Pemuatan dan Persiapan Data

Fine-tuning dengan PyTorch

Implementasi Training Loop

Evaluasi dan Metrik

Ekspor dan Deployment Model

Praktik Terbaik

Kesimpulan

---

Pendahuluan

Transfer learning adalah teknik machine learning di mana model yang telah dilatih pada dataset besar digunakan kembali untuk tugas yang berbeda namun terkait. Dalam computer vision, teknik ini biasanya melibatkan pengambilan model yang telah dilatih sebelumnya pada ImageNet (1,4 juta gambar, 1000 kelas) dan mengadaptasinya untuk masalah klasifikasi spesifik Anda. Pendekatan ini secara dramatis mengurangi kebutuhan data dan komputasi untuk mencapai akurasi tinggi.

Tutorial ini mencakup alur kerja lengkap: memilih model pre-trained, menyiapkan data, fine-tuning dengan PyTorch, mengevaluasi performa, dan melakukan deployment model akhir.

---

Prasyarat

pip install torch torchvision
pip install timm                 # PyTorch Image Models - koleksi model yang luas
pip install albumentations       # Augmentasi lanjutan
pip install scikit-learn         # Metrik evaluasi
pip install matplotlib seaborn   # Visualisasi
pip install onnx onnxruntime     # Ekspor dan deployment

Persyaratan sistem:

• Python 3.8 atau lebih tinggi
• GPU dengan minimal 6 GB VRAM (untuk pelatihan), CPU cukup untuk inferensi
• Pemahaman dasar tentang jaringan saraf dan PyTorch

import torch
import torchvision
import timm

print(f"PyTorch: {torch.version}")
print(f"Torchvision: {torchvision.version}")
print(f"CUDA: {torch.cuda.isavailable()}")

print(f"Timm: {timm.version}")
print(f"Model timm tersedia: {len(timm.listmodels())}")

---

Memahami Transfer Learning

Transfer learning berhasil karena layer-layer awal pada CNN mempelajari fitur universal (tepi, tekstur, pola) yang berlaku untuk hampir semua tugas vision. Hanya layer-layer akhir yang menjadi spesifik terhadap tugas tertentu.

Ada dua strategi utama:

Ekstraksi Fitur (Feature Extraction): Bekukan seluruh model pre-trained dan hanya latih classification head yang baru. Metode ini cepat, membutuhkan data minimal, dan bekerja dengan baik ketika tugas Anda mirip dengan ImageNet.

Fine-tuning: Buka beberapa atau seluruh layer model pre-trained dan latih dengan learning rate yang rendah. Ini memungkinkan model mengadaptasi fitur-fiturnya ke domain spesifik Anda dan umumnya menghasilkan hasil yang lebih baik, terutama dengan data yang lebih banyak.

# Strategi 1: Ekstraksi fitur
def buatekstraktorfitur(namamodel, jumlahkelas):
    """Bekukan semua layer kecuali classification head."""
    model = timm.createmodel(namamodel, pretrained=True, numclasses=jumlahkelas)

    # Bekukan semua parameter
    for param in model.parameters():
        param.requiresgrad = False


    # Buka kunci classification head
    if hasattr(model, 'classifier'):
        for param in model.classifier.parameters():
            param.requiresgrad = True
    elif hasattr(model, 'fc'):
        for param in model.fc.parameters():
            param.requiresgrad = True

    elif hasattr(model, 'head'):
        for param in model.head.parameters():
            param.requiresgrad = True

    return model

Strategi 2: Fine-tuning penuh dengan learning rate diskriminatif
def buatmodelfinetuning(namamodel, jumlahkelas):
    """Semua layer dapat dilatih, tetapi dengan learning rate berbeda."""
    model = timm.createmodel(namamodel, pretrained=True, numclasses=jumlahkelas)
    # Semua parameter dapat dilatih secara default
    return model