در این آموزش، ما یک کاربرد نوآورانه و عملی از مدل یادگیری عمیق متنباز ResNet-50 IBM را بررسی میکنیم و قابلیت آن را در طبقهبندی سریع تصاویر ماهوارهای برای مدیریت فاجعه نشان میدهیم. این رویکرد با بهرهگیری از شبکههای عصبی کانولوشن (CNN) از پیش آموزشدیده، کاربران را قادر میسازد تا به سرعت تصاویر ماهوارهای را برای شناسایی و دستهبندی مناطق آسیبدیده از فاجعه، مانند سیل، آتشسوزی جنگلی یا خسارت زلزله، تجزیه و تحلیل کنند. با استفاده از Google Colab، یک فرآیند گام به گام را برای راهاندازی آسان محیط، پیشپردازش تصاویر، انجام استنتاج و تفسیر نتایج طی خواهیم کرد.
ابتدا، کتابخانههای ضروری برای پردازش تصویر مبتنی بر PyTorch و وظایف تجسم را نصب میکنیم.
ما کتابخانههای مورد نیاز را وارد کرده و مدل ResNet-50 پشتیبانیشده توسط IBM از پیش آموزشدیده را از PyTorch بارگیری میکنیم و آن را برای وظایف استنتاج آماده میکنیم.
اکنون، خط لوله استاندارد پیشپردازش را برای تصاویر تعریف میکنیم، آنها را تغییر اندازه داده و برش میدهیم، آنها را به تانسور تبدیل میکنیم و آنها را نرمالسازی میکنیم تا با الزامات ورودی ResNet-50 مطابقت داشته باشند.
در اینجا، ما یک تصویر ماهوارهای را از یک URL معین بازیابی میکنیم، آن را پیشپردازش میکنیم، آن را با استفاده از مدل ResNet-50 از پیش آموزشدیده طبقهبندی میکنیم و تصویر را با پیشبینی برتر آن تجسم میکنیم. همچنین پنج پیشبینی برتر را با احتمالات مرتبط چاپ میکند.
در نهایت، ما یک تصویر ماهوارهای مربوط به آتشسوزی جنگلی را دانلود میکنیم، آن را با استفاده از مدل ResNet-50 از پیش آموزشدیده طبقهبندی میکنیم و آن را به همراه پنج پیشبینی برتر آن به صورت بصری نمایش میدهیم.
در پایان، ما با موفقیت مدل متنباز ResNet-50 IBM را در Google Colab مهار کردهایم تا به طور موثر تصاویر ماهوارهای را طبقهبندی کنیم و از وظایف مهم ارزیابی و واکنش به فاجعه پشتیبانی کنیم. رویکرد تشریحشده، عملی بودن و دسترسی به مدلهای پیشرفته یادگیری ماشین را نشان میدهد و تأکید میکند که چگونه CNNهای از پیش آموزشدیده میتوانند به طور خلاقانه در چالشهای دنیای واقعی به کار گرفته شوند. با حداقل تنظیمات، اکنون یک ابزار قدرتمند در اختیار داریم.
اینجا Colab Notebook است.