Transfer Learning-Deep Learning
Transfer Learning-Deep Learning
-----------
Transfer Learning
Contoh;
• Kita mau membuat sistem untuk menghitung kendaraan beserta
jenisnya menggunakan kamera CCTV. Jika jenis kendaraannya yang
ingin dideteksi cukup umum, semisal “mobil” atau “truk”, kita bisa
jadi cukup browsing-browsing, dan kita akan menemukan orang yang
sudah membuat model deep learningnya. Kita tinggal DOWNLOAD,
PAKAI, DAN SELESAI! Kita telah memiliki model cerdas deep learning
yang mampu mendeteksi mobil atau truk. Tanpa perlu mencari data,
tanpa perlu melatih model.
Transfer Learning
Ada kaitan
• Pesawat
• Jembatan
Pada transfer learning, kita membutuhkan model yang sudah terlatih, entah itu
dilatih oleh orang lain, atau kita melatihnya terlebih dahulu. Model yang sudah
terlatih ini disebut dengan Pre-Trained Model. Pre-trained model biasanya sudah
dilatih pada dataset yang besar dan merupakan dataset benchmark, sehingga
kualitas pre-trained model harusnya sudah sangat baik.
Model yang sudah cerdas
Saat ini sudah banyak pre-trained model yang disediakan untuk
beragam kebutuhan. Misalnya pada PyTorch menunjukkan pre-trained
model yang tersedia secara resmi untuk image classification yang telah
dilatih menggunakan dataset ImageNet. Pada Tensorflow juga
menunjukkan model-model yang tersedia untuk object detection.
Kumpulan pre-trained model ini juga biasa disebut dengan Model Zoo.
Kekurangannya:
- Terbatas untuk modifikasi layer
+ Menghemat waktu dan tidak perlu mencari
hyperparameter.
Cara transfer 2. Modifikasi model untuk tugas ke-2
Bangun model sendiri, data bisa di download dari internet atau
learning bisa di kumpulkan sendiri, dengan syarat datanya banyak.
10 output
1000 output
Cara Transfer Learning
Layer 4 baru
Output
Cara Transfer Learning
3. Fine-tuning dengan tugas ke-2
Output
Pada tahap ini kita bisa
Layer 4 baru
menentukan layer mana
yang ingin di update pada
tugas ke-2.
Tidak ada aturan khusus
berapa layer yang harus di
Freeze (tidak di update) fine-tuning dan freeze.
Learning rate kecil, ex: 10-4,
10-5, 10-6)
Supaya tidak lupa dengan
tugas pertamanya
TP+TN/TP+TN+FP+FN=
Precision (Positive Predictive Value)
Precision menggambarkan tingkat keakuratan antara data yang diminta dengan
hasil prediksi yang diberikan oleh model. Maka, precision merupakan rasio prediksi
benar positif dibandingkan dengan keseluruhan hasil yang diprediksi positif.
TP/TP+FP=
Recall atau Sensitivity (True Positive Rate)
Recall menggambarkan keberhasilan model dalam menemukan
kembali sebuah informasi. Maka, recall merupakan rasio prediksi benar
positif dibandingkan dengan keseluruhan data yang benar positif.
TP/TP+FP=
Aplikasi AI data citra dan video
Deteksi wajah Lelah pada gambar wajah menggunakan Algoritma FaceNet dan K-Nearest Neighbor Classifier
https://e-journal.unair.ac.id/JISEBI/article/view/24144
Wajah Bertopeng atau Tidak Bertopeng
a b
http://jurnalnasional.ump.ac.id/index.php/JUITA/article/view/9624
Aplikasi AI data citra dan video
Pencarian Objek pada Video Menggunakan ORB Descriptor dan Support Vector Machine
https://link.springer.com/chapter/10.1007/978-3-030-63119-2_20
Aplikasi AI data citra dan video
Klasifikasi Gender pada Video Menggunakan Algoritma FaceNet dan Pembelajaran Mesin yang Diawasi
a b c Scopus Q4
International Journal of Computing and Digital Systems
d e f
Figure 11. Example of gender classification results: a, c, d) male person, b, e) female person f) male and female person
Silahkan cek link berikut ini untuk video
tentang transfer learning
• https://www.youtube.com/watch?v=tfkSjUXzQLI
• https://www.youtube.com/watch?v=Gufx35CtbjI
• https://www.youtube.com/watch?v=MQkVIYzpK-Y&t=126s
•
TERIMAKASIH
-----------------