Rozpoznávání plemen psů pomocí konvolučních neuronových sítí

Abstract

Tato práce se zabývá klasifikací plemen psů pomocí konvolučních neuronových sítí (CNN) s využitím architektury ResNet-50. Pro zlepšení klasifikační přesnosti byly použity techniky přeneseného učení, augmentace dat a jemného doladění. Byly porovnány metody vektorizace dat Flatten a GlobalAveragePooling2D. Výsledky ukazují, že optimalizační algoritmus SGD dosahuje lepších výsledků než algoritmus Adam, a to jak při přeneseném učení, tak při augmentaci a jemném doladění. Nejlepších výsledků bylo dosaženo při použití vektorizace Flatten a jemného doladění s optimalizačním algoritmem SGD, kde byla dosažena testovací přesnost 94,17 %. Výsledky naznačují, že správná volba vektorizace a optimalizačního algoritmu může významně ovlivnit úspěšnost klasifikace plemen psů.

This thesis addresses the classification of dog breeds using convolutional neural networks (CNN) with the ResNet-50 architecture. To improve classification accuracy, techniques such as transfer learning, data augmentation, and fine-tuning were employed. Flatten and GlobalAveragePooling2D data vectorization methods were compared. The results indicate that the SGD optimization algorithm outperforms the Adam algorithm in both transfer learning, data augmentation, and fine-tuning. The best results were achieved using Flatten vectorization and fine-tuning with the SGD optimization algorithm, yielding a test accuracy of 94.17 %. The findings suggest that the choice of vectorization method and optimization algorithm can significantly impact the success of breed classification.